ブロックリファレンス

BLOCKS Reference

機械学習

音声認識(音声認識モデル選択)

このブロックはベータ版です。正式版リリース後、本ブロックは利用できなくなる可能性があります。ご注意ください。

※正式版リリース後は、正式版のブロックをご利用ください。

また、ベータ版での提供となるため、一部の機能が正常に動作しない可能性があります。機能改善や不具合などのフィードバックは、フォーラムやお問い合わせで情報提供をお願いします。フィードバックの内容は MAGELLAN BLOCKS の品質向上のために利用いたします。

セルフサービスプランの場合:
このブロックの使用にあたっては、Google Cloud Speech API を有効にしてください。詳しくは、「基本操作ガイド > ヒント > Google API を有効にする」を参照してください。

概要

このブロックは、Google Cloud Speech-to-Text の構築済み音声認識モデルを利用して、通話や動画の音声をテキストに変換します。

Google から Google Cloud Speech-to-Text を効果的に使用するためのガイドライン「Best Practices 」が公開されています。このブロックを使用する前に、一読されることをお薦めします。

プロパティ

プロパティ名 説明
ブロック名 ブロックの名前を指定します。ブロックに表示されます。
GCP サービスアカウント このブロックで使用する GCP サービスアカウントを選択します。
音声データの GCS 上の URL 音声データファイルが格納されている GCS 上の URL を指定します。
モデル

構築済みの音声認識モデルを以下の中から選択します。

モデル 説明
phone_call

通話音声に最適です。

video

動画や複数話者の音声に最適です。音声は 16000 Hz 以上のサンプルプレートで録音されていることが理想的です。

command_and_search

音声コマンドや音声検索などで使用される短い音声に最適です。

結果を格納する変数

音声を変換したテキストデータを格納する変数を指定します。

詳細については、「出力仕様 > Cloud Speech API」を参照してください。

音声データのエンコーディング

音声データの GCS 上の URL]プロパティで指定した音声データのエンコーディングを指定します。指定できるエンコーディングは、次のいずれかです。

  • LINEAR16
  • FLAC
  • MULAW
  • AMR
  • AMR_WB

音声認識で最良の結果を得るエンコーディングとして、FLAC か LINEAR16 の使用が推奨されています。詳しくは、基本操作ガイドの「Google Cloud Speech API の音声データのエンコーディングについて」を参照してください。各エンコーディングの説明と音声データの変換について解説しています。

音声データのサンプルレート

音声データの GCS 上の URL]プロパティで指定した音声データのサンプルレートを 8000 から 48000 の間で指定します。単位は、ヘルツ(Hz)です。

最良の結果を得るための最適な値は、16000 Hz です。

音声データの言語コード

音声データの GCS 上の URL]プロパティで指定した音声データの言語コードを指定します。例えば、日本語の場合は、[ja-JP]を指定します。

指定可能な言語コードのリストは、Language Support で確認できます。

ブロックメモ ブロックに対するコメントを指定します。
最大変換候補数

音声データをテキストデータに変換する際、複数の変換候補を得ることができます。この[最大変換候補数]プロパティでは、この変換候補の最大数を 0 から 30 の間で指定します。

0 か 1 を指定した場合、最大で 1 の変換候補補が得られます。

不適切な表現を取り除く このプロパティを有効化すると、不適切な表現と思われるものを取り除きます。
音声認識のヒントとなる単語やフレーズ 音声認識の精度を高めるための単語やフレーズを指定します。