機械学習

Amazon Transcribe で実装する音声文字起こし - リアルタイム変換とカスタム語彙

バッチとリアルタイムの音声文字起こしを提供し、カスタム語彙で業界固有の精度を向上させる。Call Analytics によるコンタクトセンターの品質管理も紹介します。

約 3 分で読めます

Transcribe の API 体系

Transcribe は音声をテキストに変換する自動音声認識 (ASR) サービスです。バッチ API は S3 に保存された音声ファイル (MP3、MP4、WAV、FLAC など) を非同期で処理し、JSON 形式の文字起こし結果を返します。ストリーミング API は WebSocket または HTTP/2 経由でリアルタイムの音声文字起こしを提供し、数百ミリ秒の遅延でテキストを生成します。ライブ配信の字幕、会議のリアルタイム議事録、コンタクトセンターのリアルタイムアシストに活用できます。対応言語は 100 以上で、日本語、英語、中国語、スペイン語、フランス語などの主要言語に加え、多数の方言バリエーションにも対応しています。自動言語識別機能を使えば、入力音声の言語を自動判定して適切なモデルで処理することも可能です。

精度向上のためのカスタマイズ

カスタム語彙は、業界固有の専門用語、製品名、人名など、標準モデルでは認識精度が低い単語を登録する機能です。テーブル形式で単語、発音 (IPA)、表示形式を定義し、文字起こしジョブに適用します。例えば、医療分野では薬品名や疾患名、IT 分野ではサービス名やプロトコル名を登録することで精度が大幅に向上します。カスタム言語モデルはさらに高度なカスタマイズで、ドメイン固有のテキストデータ (議事録、マニュアル、FAQ) をトレーニングデータとして投入し、そのドメインに特化した言語モデルを構築します。語彙フィルタ機能では、文字起こし結果から不適切な単語を自動的にマスキングまたは削除でき、放送コンテンツや公開議事録の品質管理に有効です。

Call Analytics とコンタクトセンター活用

Transcribe Call Analytics はコンタクトセンターの通話分析に特化した機能です。通話の文字起こしに加え、話者ごとの感情分析 (ポジティブ、ネガティブ、ニュートラル)、通話中断の検出、沈黙時間の計測を自動実行します。カテゴリ機能でキーワードやフレーズに基づくルールを定義し、通話を自動分類できます。例えば「解約」「クレーム」というキーワードを含む通話を自動的にフラグ付けし、スーパーバイザーのレビュー対象にするワークフローを構築できます。自動コンテンツリダクションは、文字起こし結果からクレジットカード番号、社会保障番号などの PII を自動的にマスキングします。Amazon Connect と統合すると、リアルタイムの通話文字起こしをエージェントの画面に表示しながら、ナレッジベースから関連回答を自動検索する Contact Lens の機能が利用できます。 文字起こしについて体系的に学びたい方は、関連書籍 (Amazon)も参考になります。

他の音声認識サービスとの比較

Transcribe は AWS エコシステム内での統合が最大の強みです。S3 からの直接入力、Lambda でのイベント駆動処理、Connect との統合、Comprehend との連携 (文字起こし後のエンティティ抽出・感情分析) がシームレスに行えます。Google Cloud Speech-to-Text は音声認識モデルの精度 (特に英語) で強みがあり、話者ダイアライゼーションの粒度が細かい点が特徴です。Azure Speech Services は Microsoft 365 との統合や Teams の文字起こしに強みがあります。Transcribe の差別化ポイントは、Call Analytics による通話分析の組み込み機能、Medical Transcribe による医療特化モデル (HIPAA 対応)、そして AWS の従量課金モデルによる少量利用時のコスト優位性です。大量の音声データを既に S3 に保有している組織や、Contact Center を AWS 上に構築している場合は、Transcribe が最も自然な選択肢となります。

Transcribe の料金

Transcribe の料金は処理した音声の秒数で課金されます。バッチ文字起こしは 1 秒あたり約 0.00024 ドル (1 分あたり約 0.0144 ドル) で、月間 60 分までは無料利用枠に含まれます。ストリーミング文字起こしは 1 秒あたり約 0.00024 ドルです。Call Analytics は通常の文字起こし料金に加え、分析料金が 1 分あたり約 0.02 ドル追加されます。カスタム語彙の利用に追加料金は発生しませんが、カスタム言語モデルのトレーニングは別途課金されます。大量の音声ファイルを処理する場合、バッチ API で非同期処理し、S3 と Lambda のイベント駆動パイプラインでコストを最適化します。なお、Medical Transcribe は標準版と別料金体系で 1 秒あたり約 0.000175 ドルです。

設計のベストプラクティスと注意点

Transcribe を本番運用する際の設計上の注意点があります。バッチ API は同時実行数にデフォルト 250 ジョブの制限があり、大量ファイルを一括処理する場合は SQS キューでスロットリングを制御する設計が必要です。ストリーミング API の接続は最大 4 時間で自動切断されるため、長時間の会議録では再接続ロジックを実装してください。音声品質が認識精度に直結するため、入力音声はサンプリングレート 16kHz 以上、ビットレート 128kbps 以上を推奨します。ノイズの多い環境 (コールセンターの電話回線など) では、カスタム語彙の活用と合わせてチャネル分離 (話者ごとに別チャネルで録音) を行うことで精度が大幅に改善します。文字起こし結果の後処理として、Comprehend でエンティティ抽出を行い、構造化データとして DynamoDB に保存するパターンが多くの本番システムで採用されています。

まとめ

Transcribe はバッチとリアルタイムの両方の音声文字起こしを提供する ASR サービスです。カスタム語彙と言語モデルでドメイン固有の精度を向上させ、Call Analytics でコンタクトセンターの品質管理を自動化できます。S3 と Lambda を組み合わせたイベント駆動アーキテクチャで、音声ファイルのアップロードをトリガーにした自動文字起こしパイプラインを構築できます。AWS エコシステムとの緊密な統合が強みであり、既存の AWS インフラ上に音声処理基盤を構築する場合に最適な選択肢です。

関連するサービス

Amazon Transcribe音声をテキストに自動変換する高精度な音声認識サービスAmazon S3スケーラブルなオブジェクトストレージサービスAWS Lambdaサーバー管理不要でコードを実行するサーバーレスコンピュートサービス

関連する記事

Amazon Textract で自動化するドキュメント処理 - OCR からフォーム・テーブル抽出までOCR を超えたフォーム・テーブルの構造認識で、請求書・領収書・身分証明書からデータを自動抽出する。A2I による人間レビューの統合も紹介します。Amazon Connect で構築するクラウドコンタクトセンター - IVR 設計とエージェント管理従量課金でゼロ初期投資のクラウドコンタクトセンターを構築する。ビジュアルエディタによるコンタクトフロー設計と Contact Lens のリアルタイム品質管理を紹介します。Amazon Polly で実装するテキスト読み上げ - ニューラル音声と SSML による音声制御ニューラル TTS エンジンで自然な音声を生成し、SSML タグで発話速度・ピッチ・間を制御する。リアルタイムストリーミングと S3 への非同期合成で多様な音声コンテンツを構築する方法を解説します。

同じテーマの記事

AWS Batch で実行する GPU ベースの機械学習トレーニング - コスト効率の高い大規模学習既存の Docker コンテナで GPU トレーニングを実行し、スポットインスタンスとチェックポイントでコストを最大 90% 削減する。SageMaker との使い分けも紹介します。Amazon Bedrock における Claude の活用 - モデル選定からプロンプト設計、コスト最適化までAmazon Bedrock で利用できる Anthropic Claude モデルの特徴比較、ユースケース別のモデル選定指針、プロンプト設計のベストプラクティス、コスト最適化を解説します。Amazon Bedrock Knowledge Bases で構築する RAG アプリケーション - 検索拡張生成の実装S3 上のドキュメントを自動インデックス化し、RetrieveAndGenerate API で検索と生成を統合する。チャンキング戦略の選定と Guardrails による安全性確保を紹介します。Amazon Braket で始める量子コンピューティング - 量子回路の設計とシミュレーションローカルシミュレーターで無料プロトタイピングし、IonQ・Rigetti の実機で量子回路を実行する。ハイブリッドジョブで VQE や QAOA を実装する手法を紹介します。AWS Clean Rooms ML でプライバシー保護型 ML - データを共有せずにモデルを構築Clean Rooms ML によるルックアライクモデルの構築、差分プライバシーの適用、広告ターゲティングへの活用を解説します。Amazon Comprehend で実装する自然言語処理 - 感情分析とエンティティ抽出の活用Comprehend による感情分析、エンティティ抽出、カスタム分類モデルの構築を解説します。対話型ボット構築 - Amazon Lex と Polly で実現する自然な会話インターフェースAmazon Lex と Amazon Polly を活用した対話型ボットの構築方法を解説します。ドキュメントテキスト抽出 - Amazon Textract で実現するインテリジェントな文書処理Amazon Textract による文書からのテキスト、テーブル、フォームデータの自動抽出と、Amazon Comprehend との連携による自然言語処理パイプラインの構築を解説します。請求書処理や契約書分析の自動化パターンを紹介します。

内容が近い記事・サービス

Amazon Transcribe音声データをテキストに自動変換する音声認識サービスで、リアルタイムストリーミングとバッチ処理の両方に対応し、話者識別やカスタム語彙にも対応する音声テキスト変換 - Amazon Transcribe で実現する高精度な自動文字起こし基盤Amazon Transcribe による音声のテキスト変換 (STT) と、Amazon Polly との組み合わせによる双方向音声処理パイプラインの構築を解説します。リアルタイム文字起こし、話者識別、カスタム語彙による精度向上の実践手法を紹介します。テキスト読み上げ - Amazon Polly で実現する自然な音声合成とマルチ言語対応Amazon Polly によるテキスト読み上げ (TTS) の実装と、Amazon Lex との連携による音声対話インターフェースの構築方法を解説します。ニューラル音声エンジンによる自然な音声合成と多言語対応の実践手法を紹介します。あるコールセンターが通話内容を自動的にテキスト化し、後から検索・分析できるようにしたいと考えています。リアルタイムでの音声認識と話者識別が必要です。最も適切な AWS サービスはどれですか。