WAV音声のテキスト変換

対応しています。フィールドレコーダーやオーディオ機器でよく使われる48kHz、24bitのファイルをそのままアップロードできます。16bitに落としたり、サンプルレートを変えたりする必要はありません。録音されたままのファイルで処理するので、あとで確かめるときの参照も元の音声のままです。

MP3への変換は、劣化した世代と管理すべき2つ目のファイルを増やすだけで、話し声が認識しやすくなるわけではありません。WAV音声のテキスト変換は非圧縮のファイルを受け取るので、認識に届く音声は録音された音声そのものです。小さな複製を作ったあとに元を消したくなる誘惑も避けられます。

アップロードは100MBまでで、48kHz、24bitならステレオで数時間分、音声は3時間まで処理します。丸1日の録音はたいてい両方の上限を超えるので、聞き取りの終わりなど自然な区切りで分けてから送ります。

話者の分離をオンにすれば分けられます。発言にラベルが付くので、質問と答えを分けておきたい聞き取りでは助かります。声の重なりや、マイクから身を離した話し手は難しく、その箇所は引用の前に一度聞く価値があります。

どの箇所にも、ファイルの先頭から数えた録音内の時刻が付きます。確認する人は元のWAVのその語へ移れるので、人名や数字に迷いがあるときに役立ちます。長い録音でもテキストと録音は同じ歩みを保ちます。

1本のマイクのモノラルのファイルが最も簡単な入力です。ステレオもそのまま扱えますが、片側のチャンネルに別の話し手が入っている場合は、まとめた音声を送るより、チャンネルごとにファイルを分けたほうがきれいなテキストになり、それぞれに話者のラベルが付きます。

雑音が少なくマイクが近いきれいな音声が最良の結果を生み、フィールドレコーダーではそれが普通です。なまり、声の重なり、専門の語彙は確認が要ります。時刻と照らして少し聞けば、全体の校正が要るかどうか判断できます。

分類、引用、保管のためにプレーンテキストを書き出せ、録音を字幕付きで公開する場合はSRTも使えます。元のファイルは変わらないので、保管の場所にWAVとテキストを一緒に置け、時刻が主張とその裏の音声を結ぶ線になります。