LINEでつくる 音声翻訳機(ほんやくコンニャク)

はじめに

AWS AIのサービスに、下記のようなものがある。

• 音声をテキストに変換するtranscribe
• テキストを他言語翻訳するtranslate
• テキストを音声に変換するpolly

これらを組み合わせれば、ほんやくコンニャクができるのではないか？
ちなみに私はおみそ味を食べてみたい。
ということでほんやくコンニャクのLINEBOTを作ってみた。
基本的にはAWSサービスをぽちぽちと繋げていくだけで、LINE設定含め半日あればできる。
世の中のN番煎じではあるが、いろいろとハマッた部分もあったので記録。

構成と流れ

1．LINEから音声データを取得し，S3へ保存(.mp4)
2．S3から1．の音声データを取得してtranscribeで書き起こし，S3へ保存(.json)
3．S3から2．の書き起こしデータを取得してtranslateでテキスト翻訳
4．上記の3．の翻訳データをPollyで音声合成し，S3へ保存(.mp3)
5．S3内の4．のmp3データについて，認証付きURLを発行
6．ffmpegを用いてmp3をm4aフォーマットに変換し，S3へ保存(.m4a)
7．S3内の6．のm4aに5．を適用し，LINEで送信

ざっとコード解説

各手順を関数化したコードを晒していきます。
全体のコードはgithubにて。

##1.LINEから音声データを取得し，S3へ保存(.mp4)

s3 = boto3.resource('s3') 
def get_content_from_line(event,bucket_name,bucket_key):
    if event['message']['type']=='audio':
        MessageId = event['message']['id']  # メッセージID
        AudioFile = requests.get('https://api-data.line.me/v2/bot/message/'+ MessageId +'/content',headers=HEADER) #Audiocontent取得        
        Audio_bin = BytesIO(AudioFile.content)
        Audio = Audio_bin.getvalue()  # 音声取得
        obj = s3.Object(bucket_name,bucket_key)
        obj.put( Body=content )
        return 0
    else:
        return -1

LINEから送られてきたメッセージがオーディオの場合は，音声の値を取得。
BytesIOを経由して音声ファイルをS3に保存している。
このとき，引数のbucket_keyには.mp4拡張子を付与する。

##2.S3から音声データ取得→書き起こし結果をS3へ保存(.json)

transcribe = boto3.client('transcribe')
def speech_to_text(job_name, bucket_name, bucket_key_src, bucket_key_dst):
    job_uri = "s3://%s/%s"%(bucket_name,bucket_key_src)
    transcribe.start_transcription_job(
     TranscriptionJobName=job_name,
     Media={'MediaFileUri': job_uri},
     MediaFormat='mp4',
     LanguageCode='ja-JP',
     OutputBucketName=bucket_name,
     OutputKey=bucket_key_dst,
    )
    while True:
        status = transcribe.get_transcription_job(TranscriptionJobName=job_name)
        if status['TranscriptionJob']['TranscriptionJobStatus'] in ['COMPLETED', 'FAILED']:
            break
        print("Not ready yet...")
        time.sleep(5)
    return 0

transcribeは，s3のuriを指定することができる。また，保存先のS3キーも引数で指定。
そしてwhile TrueでステータスがCOMPLETED/FAILEDになるまで抜けられない。
後述するが，このパートはとても時間がかかる。(もともと、議事録等の長文でこそ力を発揮するサービスのため)

##3.S3から2の書き起こしデータを取得→translateでテキスト翻訳

#3-1.
def get_content_from_s3(bucket_name,bucket_key):
    obj = s3.Object(bucket_name,bucket_key)
    body = obj.get()['Body'].read() 
    json_data = json.loads(body.decode('utf-8'))
    print(json.dumps(json_data))
    transcript=json_data['results']['transcripts'][0]['transcript']
    return transcript    

#3-2.    
translate = boto3.client('translate')
def translate_transcript(transcript):
    res_trans = translate.translate_text(
        Text=transcript,
        SourceLanguageCode='ja',
        TargetLanguageCode='en',
    )
    res_text=res_trans['TranslatedText']
    print('original:%s'%transcript)
    print('translated:%s'%res_text)
    return res_text    

2で保存したtranscriptのファイル(json)を，3-1でstringとして取得している。
そしてそれを3-2のAWS translateに食わせてテキスト翻訳をしている。
SourceLanguageCodeにja(日本語)，TargetLanguageCodeをen(英語)に指定。
TargetLanguageCodeの設定により，任意の言語での翻訳機を実現できる。

##4.翻訳データをPollyで音声合成し，S3へ保存(.mp3)

def synthesize_speech(text,bucket_name,output_key):
    bucket=s3.Bucket(bucket_name)
    response = polly.synthesize_speech(
        Text=text,
        Engine="neural",
        VoiceId="Joanna",
        OutputFormat="mp3",
        )
    with closing(response["AudioStream"]) as stream:
        bucket.put_object(Key=output_key, Body=stream.read())
    return 0

pollyを用いた音声合成。Engine=neuralにするとより自然な音声になる。VoiceIdはお好みで。OutputFormatは，mp3を指定(のちにffmpegでm4aに変換)。

##5.データの認証付きURLを発行

def get_signed_url(bucket_name, bucket_key):
    s3_source_signed_url = s3_client.generate_presigned_url(
        ClientMethod='get_object',
        Params={'Bucket': bucket_name, 'Key': bucket_key},
        ExpiresIn=10,
        )
    return s3_source_signed_url    

ffmpegへmp3データを渡すため，Pollyで生成したmp3データの認証付きURLを発行する。
この操作は，ffmpeg目的以外に，LINEへメディアを送信する際にも必要になる。
これにより，S3のデータを第三者が一時的に操作できる。「一時的」な時間は引数のExpiresIn(秒)で指定。

##6.ffmpegを用いてmp3をm4aフォーマットに変換し，S3へ保存(.m4a)

def convert_mp3_to_aac(url, bucket_name, bucket_key_dst):
    ffmpeg_cmd = "/opt/bin/ffmpeg -i \"" + url + "\" -f adts -ab 32k -"
    command1 = shlex.split(ffmpeg_cmd)
    p1 = subprocess.run(command1, stdout=subprocess.PIPE, stderr=subprocess.PIPE)
    resp = s3_client.put_object(Body=p1.stdout, Bucket=bucket_name, Key=bucket_key_dst)
    return 0

ここでffmpegを用いた処理を行っている。ffmpegコマンドの詳細は割愛するが，「mp3をm4aに変換」を行っている。末尾に「-」を付与することで標準出力として変換データを得られる。これにより，s3に保存する際もp1.stdoutとすることでm4aフォーマットでのデータを保存可能。

##7．LINEで音声ファイルを送信

REQUEST_MESSAGE = [
{
'type': 'audio',
'originalContentUrl': url,
'duration': 5000 #ms
},
]
payload = {'to': userId, 'messages': REQUEST_MESSAGE}

response = requests.post(
'https://api.line.me/v2/bot/message/push', #not the 'reply' message
headers=HEADER,
data=json.dumps(payload)
)
print('request sent!')

ここでREQUEST＿MESSAGEに音声を指定。ContentUrlには，先ほど5で述べた認証URLを発行し指定する。
ここでのポイントは，replyでなくpushメッセージとしてリクエストを送信すること。
replyTokenには30秒の期限があり，処理が30秒を超えるとtokenが無効となり送り返すことができない。
そこで，replyではなくUserIDを指定してpushメッセージとして送信する。

ハマりポイント

特にハマッた二つのポイントについて詳細説明。

6. LINEへの音声ファイル送信エラーの対策

LINEに音声メッセージを送る際，その対応フォーマットはm4aのみ。
一方で，Pollyで合成された音声の出力フォーマットはmp3/ogg/pcm。
つまり，Pollyの音声をそのままLINEに送ることはできない。
そこで，ffmpegを用いてmp3をm4aに変換してあげる。
幸い公開LamdaLayerが存在するので，これを使わせていただく。

7. LINEのreplyTokenタイムアウトの対策

今回の構成ではreplyTokenのタイムアウトを超えるため，対処が必要。
というのも、AWS transcribeは非常に時間がかかる。5秒の音声でも書き起こしに20秒近くかかる(※)。
今回は短文想定なので，その他処理を合わせるとLINEのreplyTokenのタイムアウト時間(30秒)を超えてしまう。
これに対処するために，LINEにメッセージを送り返すとき，replyTokenによるreplyリクエストではなく，ユーザー指定によるpushリクエストを発行してあげる。
詳しくはLINE Developersの公式ドキュメントを参照されたい。
いや，そもそも応答に30秒以上かかるbotなんてありえない→ごもっともです。今回はAWSで全部試した結果こうなりました。
(※)補足:AWS transcribeは，本来は議事録などの長文書き起こし向け。なので例えば60分の音声が15分で書き起こし完了する，という点ではウマミがある。

まとめ

今回はやっつけで全部AWSで実現させました。そのためbotと呼ぶにはおこがましいほどの高遅延翻訳機になりました。
とりあえず書いてみたレベルですが，一個人が半日でこういうシステムを作る時代になりました。
今後は各種モジュールの高速化を図って，使い物になるLINEbotにできれば良いですね(他人目線)。
議事録などの長文であれば，WEBアプリ化しても良いかもしれません。需要は低そう。
詳細コードはgithubにて。