以前、Azureの「Speech To Text」を使って音声のテキスト化を行った。
今回はその逆。
テキストを入力して音声に変換する。
前回↓
今回はMicrosoft Azure「Text To Speech」APIの使い方を記す。
前回行ったAzure音声認識APIの実験の続き。
前回↓
Azureの音声認識サービス「Speech to Text」にはユーザーのデータからモデルの再学習を行い認識精度を高める機能がある。
「Custom Speech」と呼ばれるその機能は「音声ファイル」、ラベル付きテキスト、音素による発音指定テキストなど様々なデータによるカスタマイズが可能。
扱う言語によって機能に制限があり、日本語は「プレーンテキスト」によるカスタマイズ以外はできないと書いてある。
前回「プレーンテキスト」によるカスタマイズを試したときに「音声＋トランスクリプト」もできそうな感じだったので実験する。
結果から言うと音声の学習はうまくいかない。
前回行ったAzure音声認識APIの実験の続き。
Azureの音声認識サービス「Speech to Text」にはユーザーのデータからモデルの再学習を行い認識精度を高める機能がある。
「Custom Speech」と呼ばれるその機能は「音声ファイル」、ラベル付きテキスト、音素による発音指定テキストなど様々なデータによるカスタマイズが可能。
扱う言語によって機能に制限がある、日本語について確認。
あまりにマイナーな言語過ぎて「プレーンテキスト」によるカスタマイズ以外はできないようだ。
したがって「プレーンテキスト」を利用したazureの音声認識カスタマイズを行う。
音声認識技術によって音声ファイルをテキスト化したいという声がある。
以前、5種類の音声認識APIを比較した。
その結果、日本語の音声認識精度が最も高かったのはMicrosoft Azureの「Speech To Text」。
そこで、Microsoft Azure「Speech To Text」APIの使い方を記す。
音声認識技術によって音声から文字起こししたい。
既存のAPIが複数あるため実験により性能を比較した。
基本情報↓
| 名前 | 対応フォーマット | 無料枠 | 料金 | 備考 |
|---|---|---|---|---|
| Microsoft Azure Speech-to-Text | wav, ogg | 5時間/月 | 1ドル/1時間 | |
| AWS Amazon transcribe | wav, ogg, flac, mp3 など | 60分/月 | 1.44ドル/1時間 | 課金対象は1秒単位 |
| Google Cloud Speech-to-Text | wav, ogg, flac, mp3 など | 60分/月 | 1.44ドル/1時間 | 課金対象は15秒切り上げ |
| アドバンスト・メディア AmiVoice | wav, flac, mp3 など | 60分/月 | 99円/1時間 | 課金対象は音声データ中の発話区間のみ |
| Apple SpeechFramework | m4a | 1000リクエスト/1時間 | 無料 | iOS iPadOS macOS限定 |
認識精度↓
| 実験対象 | Microsoft Azure | AWS | AmiVoice | Apple | |
|---|---|---|---|---|---|
| 全部 | 92.31% | 89.18% | 83.57% | 82.86% | 89.67% |
| ナレーション | 93.63% | 90.35% | 85.63% | 85.22% | 89.22% |
| セリフ | 90.78% | 87.83% | 81.21% | 80.14% | 90.19% |
| 男性 | 94.58% | 91.44% | 90.03% | 86.13% | 90.79% |
| 女性 | 89.97% | 86.85% | 76.92% | 79.49% | 88.52% |
最も認識精度が高いのは「Microsoft Azure」。
安いのは「AmiVoice」。
AppleはiOSアプリなどに組み込んで使用する形式で使いづらいが無料。
最も精度の良かった「Microsoft Azure」の音声認識APIの使い方は以下の記事に記している。
以降、実験の詳細を記す。
Update your browser to view this website correctly. Update my browser now
