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】

初心者向けにPythonで音声認識する方法について解説しています。音声認識を利用するには、音声をプログラムのバイナリコードに変換してくれるプログラムが必要になります。個人だと敷居が高いので、Googleが提供してくれているCloud Speech-to-Text APIなどを利用します。

TechAcademyマガジンはオンラインのプログラミングスクールTechAcademy [テックアカデミー]が運営する教育×テクノロジーのWebメディアです。初心者でもすぐ勉強できる記事が2,000以上あります。

Pythonで音声認識する方法について解説します。

Pythonについてそもそも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まずご覧ください。

 

なお本記事は、TechAcademyのPythonオンライン講座の内容をもとにしています。

 

田島悠介

今回は、Pythonに関する内容だね!

大石ゆかり

どういう内容でしょうか?

田島悠介

音声認識する方法について詳しく説明していくね!

大石ゆかり

お願いします!

 

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、

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:\Users\xxx\Documents\src\voice\credential.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。

 

大石ゆかり

内容分かりやすくて良かったです!

田島悠介

ゆかりちゃんも分からないことがあったら質問してね!

大石ゆかり

分かりました。ありがとうございます!

オンラインのプログラミングスクールTechAcademyではPythonを使って機械学習の基礎を学ぶPythonオンライン講座を開催しています。

初心者向けの書籍を使って人工知能(AI)や機械学習について学ぶことができます。

現役エンジニアがパーソナルメンターとして受講生に1人ずつつき、マンツーマンのメンタリングで学習をサポートし、最短4週間で習得することが可能です。

また、現役エンジニアから学べる無料のプログラミング体験会も実施しているので、ぜひ参加してみてください。