翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。
音声ストリーミングの文字起こし
Amazon Transcribe ストリーミングを使用すると、メディアコンテンツのリアルタイム文字起こしを生成できます。メディアファイルのアップロードを伴うバッチ文字起こしとは異なり、ストリーミングメディアはリアルタイムで Amazon Transcribe に配信されます。 Amazon Transcribe その後、 はトランスクリプトもリアルタイムで返します。
ストリーミングには、事前に録画されたメディア (映画、音楽、ポッドキャスト) とリアルタイムメディア (ライブニュース放送) が含まれます。の一般的なストリーミングのユースケース Amazon Transcribe には、スポーツイベントのライブクローズドキャプションやコールセンターの音声のリアルタイムモニタリングなどがあります。
ストリーミングコンテンツは、 Amazon Transcribe が瞬時に文字起こしした一連の連続したデータパケット、つまり「チャンク」として配信されます。バッチ経由のストリーミングを使用する利点には、アプリケーションのリアルタイム speech-to-text 機能や文字起こし時間の短縮などがあります。ただし、この速度の向上により、場合によっては精度に制限が生じることがあります。
Amazon Transcribe では、ストリーミングに次のオプションが用意されています。
でストリーミング音声を文字起こしするには AWS Management Console、コンピュータのマイクに向かって話します。
ヒント
SDK コードの例については、「」のAWS 「サンプルリポジトリ
ストリーミング文字起こしでサポートされている音声形式は以下のとおりです。
FLAC
Ogg コンテナ内の OPUS エンコードされた音声
PCM (16 ビット符号付き リトルエンディアンの音声形式のみ。WAV は含まない)
可逆形式 (FLAC または PCM) が推奨されます。
注記
ストリーミング文字起こしは、すべての言語でサポートされているわけではありません。詳細については、サポートされている言語の表の「データ入力」列を参照してください。
ストリーミング文字起こしの Amazon Transcribe リージョンの可用性を確認するには、Amazon Transcribe 「エンドポイントとクォータ」を参照してください。
ベストプラクティス
ストリーミング文字起こしの効率を高めるには、以下のことを推奨します。
-
可能であれば、PCM でエンコードされた音声を使用します。
-
ストリーミングは、できる限りリアルタイムに近いことを確認します。
-
レイテンシーは、音声チャンクのサイズによって異なります。音声タイプ (PCM など) でチャンクサイズを指定できる場合は、各チャンクを 50 ミリ秒から 200 ミリ秒の間で設定します。音声チャンクサイズは次の式で計算できます。
chunk_size_in_bytes = chunk_duration_in_millisecond / 1000 * audio_sample_rate * 2 -
チャンクのサイズを統一します。
-
音声チャネル数は正しく指定してください。
-
シングルチャネルの PCM 音声では、各サンプルは 2 バイトで構成されるため、各チャンクは偶数のバイトで構成されている必要があります。
-
デュアルチャネル の PCM 音声では、各サンプルは 4 バイトで構成されるため、各チャンクは 4 バイトの倍数である必要があります。
-
音声ストリームに音声が含まれていない場合は、同じ量の無音部分をエンコードして送信します。たとえば、PCM の無音は 0 バイトのストリームです。
-
音声には必ず正しいサンプリングレートを指定します。可能であれば、16,000 Hz のサンプリングレートで録音します。これにより、ネットワーク経由で送信される品質とデータ量の最適な妥協点が得られます。ほとんどのハイエンドマイクは 44,100 Hz または 48,000 Hz で録音されます。
