01 / UNDERSTAND
仕組みと使いどころ
ストリーミング音声認識では、マイクなどの音声入力や事前収録音声を、連続するデータのまとまりとして音声認識サービスへ送る。サービスは音声を処理しながら認識結果を返すため、ファイル全体を受け取ってから処理するバッチ認識とは異なり、リアルタイムの文字起こしに利用できる。用途にはライブ字幕やコールセンター音声のリアルタイム監視がある。音声はチャンクと呼ばれる単位で送信され、チャンクサイズは遅延に影響する。速度を優先することで精度に制約が生じる場合があり、対応言語、音声形式、メッセージサイズ、セッション時間、同時ストリーム数などの条件はサービスごとに異なる。
02 / IN PRACTICE
Streaming ASRの活用例
たとえば、こんな場面で
会議中のマイク音声を順次送信し、認識された発話を字幕として表示する。ライブ配信の字幕や、コールセンター音声のリアルタイム確認にも利用できる。
03 / GOOD TO KNOW
使うときのポイント
利用するサービスの対応言語、音声形式、推奨チャンクサイズ、セッション時間、同時実行数を確認する。重要な内容では、リアルタイムの認識結果を後から確認または修正する。
参考資料
Transcribe audio from streaming input | Cloud Speech-to-Text | Google Cloud Documentation （新しいタブで開きます）Transcribing streaming audio - Amazon Transcribe （新しいタブで開きます）Speech Recognition with Windows AI APIs （新しいタブで開きます）用語の説明や活用例に関連する参考資料です。
READ & LEARN
記事一覧を見る 用語を知ったら、活用を知る。
AI LABで、AIの動向や業務に取り入れるヒントを読む。