画像・動画・音声処理および XR 一人アドベントカレンダー 7 日目の記事です。
\n音声データにおける言語の取り扱いについて調べたことをまとめます。
\n形態素解析などのいわゆる自然言語処理に関する内容ではなく、
\nについて書いていきます。
\n文字起こしについて調べてみると、以下の 3 つの種類があることが分かりました。
\n参考: 「ケバ取り」「素起こし」「整文」の違いとは？文字起こし方法の基本的な 3 種類を解説！ | WITH TEAM（ウィズチーム）
\n音声認識・文字起こしのトレーニング済み API については、まとめている記事がいくつかありました。
\n現状、こういった API である程度の精度が期待できるようです。
\nどの API を使うべきかは、用途次第になるようです。
\n続いて、音声認識のエンジンやライブラリについてです。
\nCMU Sphinx は、カーネギーメロン大学で開発された OSS の音声認識エンジンです。
\n\nSnowboy は、ホットワード検出エンジンです。
\nホットワード検出というのは、「OK, Google」のような、問いかけのキーワードのことです。
\nPython の SpeechRecognition というライブラリは、各種エンジン・API に対応しています。
\n参考
\n\nなお、このライブラリで選択できる「Google Speech Recognition」については、調べてもよく分かりませんでした。
\n参考: Python - Python の音声認識ライブラリ「speech_recognition」の「Google Speech Recognition」の実体がわかりません。｜ teratail
\nWeb Speech API を使うと、Chrome for Desktop と Android であれば、ブラウザで簡単に音声認識ができるようです。
\nこれは驚きました。
\n参考: Web Speech API を使う - Web API | MDN
\nYouTube などの動画配信プラットフォームで、人の声ではなく機械的な声で文字が読まれているケースがあると思います。
\nそのことを、私は勝手に「機械音声」という言葉で表現していたのですが、どうやら「音声合成 (speech synthesis)」という言葉が適切なようです。
\n参考: 音声合成 - Wikipedia
\n音声合成ツールについてまとめているページをいくつかリンクしておきます。
\n無料で有名なものとしては、
\nあたりのようです。
\nSoftTalk や棒読みちゃんは、内部で「AquesTalk」を使っているとのことです。
\n参考: AquesTalk とは (アクエストークとは) [単語記事] - ニコニコ大百科
\n関連して、初音ミクなどで有名な「VOCALOID」という単語について Wikipedia を見てみたところ、
\n\n\n「VOCALOID（ボーカロイド）」および「ボカロ」はヤマハ株式会社の登録商標である
\n
ということで、一般名詞だと思っていたので驚きました。
\n\n関連する用語として「コーパス」について書いておきます。
\nコーパスとは、ざっくり言えば、言葉のデータベースです。
\n音声のコーパスもあり、例えば「JVS (Japanese versatile speech) corpus」というものを見つけました。
\n","fields":{"slug":"/posts/language-in-audio-data","tagSlugs":["/tag/audio/"],"autoRecommendPosts":["media-and-xr-lonely-advent-calendar","audio-video-streaming-data-basics","movie-processing-software","last-day-of-media-and-xr-lonely-advent-calendar"]},"frontmatter":{"date":"2021-12-07T14:42:31.224Z","description":"音声データにおける言語の取り扱いについて調べたことをまとめます。\n形態素解析などのいわゆる自然言語処理に関する内容ではなく、音声認識・文字起こし、音声合成について書いていきます。","tags":["audio"],"title":"音声データにおける言語の取り扱い","socialImage":null,"recommendPosts":null}}},"pageContext":{"slug":"/posts/language-in-audio-data"}},"staticQueryHashes":["251939775","3942705351","401334301"]}