音声認識(ASR、音声文字起こし)
音声認識はASRや音声文字起こしとも呼ばれ、話された音声を書かれたテキストに変換します。
ASRモデルは録音やライブ配信の音声を聞き取り、文字起こしを書き出します。多くはタイムスタンプや句読点を付け、話者ラベルを付けるモデルもあります。変換が終わったファイルを処理するモデルもあれば、ストリーミング型モデルは話している最中にテキストを出力し、短い遅延と精度をトレードオフできます。翻訳や、数十言語の文字起こしに対応するモデルも多くあります。
精度は通常、公開テストセット上の単語エラー率(ワードエラーレート)で報告されますが、そのテストセットはあなたの音声と一致することはまれです。そのため、アクセント、背景ノイズ、専門用語によって結果は大きく変わります。Whisperは一度も話されていないテキストを書き出すこともあるため、重要な文字起こしは必ず確認してください。
関連用語
- 単語エラー率(WER) 単語エラー率は音声認識の標準的な評価スコアです。正しい参考文と比べて、転写のうち誤っている語、欠けている語、余分な語の割合を示します。
- 話者ダイアリゼーション(話者ラベル) ダイアリゼーションは、録音の中で誰がいつ話したのかを割り出し、話者1や話者2のように、発話の区間ごとに話者ラベルを付けます。
- テキスト音声変換(TTS) テキスト音声変換モデルは書かれたテキストを話し声のオーディオに変えます。短いサンプルから声をコピーできるモデルも多くあります。