複数話者文字起こしの練習

1. はじめに

Amazon Transcribeでは、(2022年3月現在、最大10人までの)複数話者に対応して文字起こしができる。試しに、使ってみた。

2. 使い方

2.1. 音声ファイルを用意する。

mp4a等(FLAC, MP3, MP4, Ogg, WebM, AMR, そして WAV)のファイルを用意する。なお、AACの場合、どこかでAWSが受け付けるフォーマットに変換する必要がある。

• 「2022年最新」AACをMP3に無料変換する方法

2.2. Amazon Transcribe

mp4a等のファイルをS3に登録する。(アクセス権限は最小で非公開にしておいても、Transcribeは動く。このため、オーナーと同一権限で処理が行われるのではと思われる。)
ここで、話者(Speaker)識別のフラグをオンにして音声認識を実行する必要がある。デフォルトはチャンネル別なので、フラグを変更する必要がある。そして、音声認識結果のjsonファイル(asrOutput.json)を作成する

• (AWS) 音声を文字起こしする

2.3. jsonからテキストに変換する。

上記のファイルだと、json書式で見ずらいのでテキストに変換する。以下のコマンドで変換する。なお、スクリプト本体は参考資料のgithubを参考のこと。

git clone https://github.com/trhr/aws-transcribe-transcript
cd aws-transcribe-transcript
python3 transcript.py asrOutput.json # output goes to asrOutput.json.txt

出力は、上の場合(拡張子に.txtが追加され)asrOutput.json.txtが出力される。出力例としては以下のような感じである。[0:17:35]が開始時刻からの時分秒である。spk_0/spk_2が話者に相当する。

[0:17:35] spk_2: ま 一つ 提案 という か 質問 さ せ て いただけれ ば と

[0:17:39] spk_0: 思い ます ありがとう ござい ます それでは

A. 参考資料

A.1. 使い方の例(ほかのWeb頁)

• 【Amazon Connect】コンタクトセンターで使える? Amazon Transcribeで会話をテキスト化！

A.2. 公式資料や使ったスクリプト

• Amazon Transcribe
  • 音声を文字起こしする Amazon Transcribe を使用 # 利用方法の公式説明
  • Amazon Transcribe の料金
  • 入力可能データ # FLAC, MP3, MP4, Ogg, WebM, AMR, そして WAVに対応する。(mp4aにも対応している)
  • スピーカーの特定 (スピーカーダイアリゼーション)
  • カスタム語彙 # 認識精度を上げたい場合に100程度の単語を登録できる。
• trhr/aws-transcribe-transcript # 話者名とその発言ごとに、切り分けるPythonスクリプト。もともとは、PHPで書かれていたようだが、それをPythonに書き換えたらしい。