クイックスタート¶
このチュートリアルでは、ReazonSpeechの日本語音声モデルを利用して、音声認識を行います。
より発展的な使い方については HowToガイド で解説しています。
ReazonSpeechモデルで音声認識する¶
手順 |
実行例 |
|---|---|
最初にチュートリアル用のPython環境を作成します。 |
$ # Pythonのvenv環境作成
$ python3 -m venv venv
$ source venv/bin/activate
$ # ffmpegとCythonをインストール
$ sudo apt install ffmpeg
$ pip install -U pip setuptools
$ pip install Cython
|
ReazonSpeechレポジトリをクローンし、インストールします。 |
$ git clone https://github.com/reazon-research/ReazonSpeech
$ pip install ReazonSpeech/pkg/nemo-asr
|
次のサンプル音源を取得し、右のコマンドを実行します。
|
$ # 実行時にHugging Faceからモデルを自動取得します (2.3GB)
$ reazonspeech-nemo-asr speech-001.wav
|
認識結果が出力されれば成功です！ |
[00:00:00.280 --> 00:00:04.759] 気象庁は雪や路面の凍結による交通への影響、
[00:00:05.160 --> 00:00:07.640] 暴風雪や高波に警戒するとともに
[00:00:08.200 --> 00:00:12.599] 雪崩や屋根からの落雪にも十分注意するよう呼びかけています。
|
ヒント
ReazonSpeechは複数の出力形式 (WebVTT, SRT, JSON, TSV) をサポートしています。
WebVTTでの出力例
$ reazonspeech-nemo-asr --to=vtt speech-001.wav
WEBVTT
00:00:00.280 --> 00:00:04.759
気象庁は雪や路面の凍結による交通への影響、
00:00:05.160 --> 00:00:07.640
暴風雪や高波に警戒するとともに
00:00:08.200 --> 00:00:12.599
雪崩や屋根からの落雪にも十分注意するよう呼びかけています。
利用可能なオプションの一覧は、ヘルプを参照ください。
$ reazonspeech-nemo-asr --help
参考
この記事で解説した内容は、Google Colabでも試すことができます。次のリンクからノートを参照ください。
次のステップ¶
この記事では、ReazonSpeechの音声認識モデルを利用する方法を学びました。
ReazonSpeechのより詳しい使い方については HowToガイド に進んで下さい。