Web_Speech_APIと_Google_Cloud_Speech_to_Text_比較してみる.pdf

Transcript

1. Web Speech APIと
   Google Cloud Speech to Text
   比較してみる
   河津正和
   

   View Slide

2. 河津正和
   株式会社博報堂アイ・スタジオ所属
   ● 主にバックエンド領域のテクニカルディレクター
   ● 新規事業開発的なお仕事をしてます
   ● コンテナ技術とか機械学習とか電子工作にも興味あり
   Twitter：@kawazu255_
   Qiita：kawazu255
   note：kawazu255
   

   View Slide

3. ここ数ヶ月のSpeech to Text
   

   View Slide

4. 世はまさに大文字起こし時代
   

   View Slide

5. １ヶ月以内にリリースされた
   文字起こしサービス
   AmiVoice ScribeAssist Notta
   GIJIREC
   

   View Slide

6. オンライン上でのやりとりが増えたことにより、
   その中での付加価値が求められてきた
   相手の顔が見えないと
   伝わってるかどうか
   わからないなぁ
   今相手が言ってたこと
   聞き取れなかったけど、
   聞き返しづらいなぁ
   オンライン飲みは
   逃げ場がないよなぁ
   (自宅だし)
   ブレストする時とか
   なんかやりづらくて
   対面がいいなぁ
   

   View Slide

7. 音声認識&話者認識の障壁が下がった
   いままで いま
   

   View Slide

8. 各クラウドAIの強み(個人の感想)
   音声認識 画像処理
   チャットボット 自然言語処理
   ？
   (Google Homeが強い？) (MS COCOのおかげ？)
   (Conversation APIがいい感じ) (誰か教えて)
   

   View Slide

9. 各クラウドAIの強み(個人の感想)
   音声認識 画像処理
   チャットボット 自然言語処理
   ？
   (Google Homeが強い？) (MS COCOのおかげ？)
   (Conversation APIがいい感じ) (誰か教えて)
   

   View Slide

10. Web Speech API
    Google Cloud Speech to Text API
    

    View Slide

11. Web Speech API
    ● Webページ上で音声認識、音声合成を利用することができるJavascriptのAPI
    ● 厳密にはGoogleが提供しているAPIではなく「仕様」。ただ実装されているブラウザ
    が現状Google Chromeのみ
    ● 話す音声のリアルタイムな音声文字起こしが強み
    

    View Slide

12. View Slide

13. Google Cloud Speech to Text API
    ● Google提供のクラウドML API。その名の通りSpeech to Textを行う
    ● APIはREST形式で、どんなプラットフォームからでも使用できる
    ● ストリーミングでの音声入力もできる(通信はgRPC)
    

    View Slide

14. View Slide

15. 特徴比較
    Web Speech API Google Cloud
    Speech to Text API
    リアルタイム性 高い
    音声認識中の文字起こしもできる
    gRPC通信でなら可能
    ただブラウザには対応してない
    プラットフォーム Google Chrome のみ どこでも使える
    精度(主観) そこそこ かなり高い
    

    View Slide

16. Cloud Speech to Text APIを
    ブラウザでリアルタイムに
    使いたい！
    

    View Slide

17. Voice Activity Detection(音声検出)
    ● マイクへの音声入力を検知する技術
    ● VADって略されたりする
    ● JSライブラリあり
    ○ 生JS用：https://github.com/kdavis-mozilla/vad.js
    ○ npm installできる：https://www.npmjs.com/package/voice-activity-detection
    

    View Slide

18. {
    fftSize: 1024,
    bufferLen: 1024,
    smoothingTimeConstant: 0.2,
    minCaptureFreq: 85, // in Hz
    maxCaptureFreq: 255, // in Hz
    noiseCaptureDuration: 1000, // in ms
    minNoiseLevel: 0.3, // from 0 to 1
    maxNoiseLevel: 0.7, // from 0 to 1
    avgNoiseMultiplier: 1.2,
    onVoiceStart: function() {},
    onVoiceStop: function() {},
    onUpdate: function(val) {}
    }
    ノイズ検出フィルター
    人間の声の周波数範囲
    音声検出開始までの時間
    集音環境変数
    

    View Slide

19. 吾輩は猫である。名前はまだ無い。
    どこで生れたかとんと見当がつかぬ。何でも薄暗いじめじめした
    所でニャーニャー泣いていた事だけは記憶している。
    

    View Slide

20. 吾輩はここで始めて人間というものを見た。しかもあとで聞くとそ
    れは書生という人間中で一番獰悪な種族であったそうだ。
    

    View Slide

21. 注意点！
    ● 音声検出まで若干のタイムラグがあり、喋り始めのワードを取得できない場合が多
    い
    ○ OK, Google的にデバイス側での準備ができないため
    ● そもそも音声認識の精度は集音環境やマイクの性能に大きく影響を受ける
    ○ Macのマイクは意外と広範囲の音を拾う
    ○ SM58とかはそこそこの指向性とそこそこ狭い集音範囲 (10cmくらい)
    

    View Slide

22. その他やってみて思ったこと
    ● 音声検出のみWeb Speech APIにして見た結果
    ○ VADライブラリとほぼ変わらなかった
    ○ ブラウザ依存問題が出るため、 VADライブラリで十分。
    ● UI的な話
    ○ Web Speech APIの、話してる最中も文字起こしをしてくれる機能は唯一無二 (Androidにもあるけど)
    ○ 話している途中はWeb Speech API、話終わった後の音声は Cloud Speech to Textという使い分け
    もありかも
    ○ リアルタイム文字起こし UIにこだわるならブラウザの縛りをいれてもいいかも
    

    View Slide

23. オンライン会議支援サービス　　　　　　　　　　開発中！
    ←サービス紹介ページです(事前登録できます)
    

    View Slide