Pythonで音声認識する方法を現役エンジニアが解説【初心者向け】

Pythonで音声認識する方法について解説します。

そもそもPythonについてよく分からないという方は、Pythonとは何なのか解説した記事を読むとさらに理解が深まります。

 

なお本記事は、TechAcademyのオンラインブートキャンプPython講座の内容をもとに紹介しています。

 

 

Pythonで音声認識する方法（役に立つAPIなど）

Pythonで音声認識するには幾つか方法があります。代表的なものを取り上げます。本記事で紹介する、

• Google CloudのCloud Speech-to-Text API
• Microsoft AzureのSpeech Services
• Amazon Transcribe

上記3つのサービスには、無料利用枠やトライアル利用があります。一定の利用量を超過すると課金されるようなサービス体系になっています。

実際に書いてみよう

事前準備

1. 公式のリファレンスに従い、Google Cloud Platformでサービスアカウントを作成しておきます
2. 過程で認証ファイルをダウンロードするため、適切な場所に保存してます
3. Google Cloud Platformで、Cloud Speech-to-Text APIを有効にしておきます
4. 以下のコマンドで必要なモジュールをインストールします

pip install google-cloud-speech

以下のコマンドで、環境変数に認証ファイルのパスを設定します。

set GOOGLE_APPLICATION_CREDENTIALS=<認証ファイルのパス>
(例)
set GOOGLE_APPLICATION_CREDENTIALS=C:UsersxxxDocumentssrcvoicecredential.json

 

カレントディレクトリに音声認識に使用する音声ファイルを置きます。今回はGoogle Cloud Platformのサンプルを利用しました。

 

サンプルコード

Cloud Speech-to-Text APIのページに掲載されているものを改変したコードです。

def transcribe_file(speech_file):
    """Transcribe the given audio file."""
    from google.cloud import speech
    from google.cloud.speech import enums
    from google.cloud.speech import types
    client = speech.SpeechClient()

    with open(speech_file, 'rb') as audio_file:
        content = audio_file.read()

    audio = types.RecognitionAudio(content=content)
    config = types.RecognitionConfig(
        encoding=enums.RecognitionConfig.AudioEncoding.LINEAR16,
        sample_rate_hertz=16000,
        language_code='en-US')

    response = client.recognize(config, audio)
    # Each result is for a consecutive portion of the audio. Iterate through
    # them to get the transcripts for the entire audio file.
    for result in response.results:
        # The first alternative is the most likely one for this portion.
        print(u'Transcript: {}'.format(result.alternatives[0].transcript))

if __name__ == '__main__':
    transcribe_file('audio.raw')

 

実行結果

以下のように音声認識した結果の英文が表示されました。

Transcript: how old is the Brooklyn Bridge

解説

transcribe_file関数は、引数で指定した音声ファイルに対し音声認識を行い、結果をコンソールに出力します。8,9行目で音声ファイルを読み込みます。バイナリデータとして扱うため、bオプションを指定します。

11-15行目で音声認識の仕様(英語であることや、サンプリングレートなど)を指定します。17-22行目で音声認識を行い、結果をコンソールに出力します。

 

[PR] Pythonで挫折しない学習方法を動画で公開中

監修してくれたメンター

橋本紘希 システムインテグレータ企業勤務のシステムエンジニア。 開発実績: Javaプログラムを用いた業務用Webアプリケーションや、基幹システム用バッチアプリケーションなどの設計構築試験。

 

 

TechAcademyでは、初心者でもPythonを使った人工知能（AI）や機械学習の基礎を習得できるオンラインブートキャンプPython講座を開催しています。

挫折しない学習方法を知れる説明動画や、現役エンジニアとのビデオ通話とチャットサポート、学習用カリキュラムを体験できる無料体験も実施しているので、ぜひ参加してみてください。