強力な音声認識
Google Speech-to-Text では、使いやすい API で高度なニューラル ネットワーク モデルを利用し、音声をテキストに変換できます。この API は 120 の言語と方言を認識して、グローバルなユーザーベースをサポートします。音声コマンド コントロールの有効化や、コールセンター音声の文字変換などが実現可能です。リアルタイムのストリーミング音声も、録音された音声も、Google の機械学習技術を使用して処理できます。
音声をすばやくテキストに変換
機械学習の利用
最新のディープ ラーニングのニューラル ネットワーク アルゴリズムを利用して、音声を高精度で認識します。Google では、Google のサービスで使用されている音声認識技術を常に改善しており、それに伴い精度も向上し続けています。
120 以上の言語と方言を認識
Speech-to-Text は 120 以上の言語と方言を認識し、世界中のユーザーベースをサポートできます。また、すべての言語で認識結果のテキストから不適切なコンテンツをフィルタリングできます。
話し言葉を自動的に特定
Speech-to-Text を使って、発話されている言語を特定できます（4 言語まで）。音声検索（「パリの気温は？」など）や、コマンドとして（「音量を上げて。」など）の利用もできます。
音声の長短を問わず、音声文字変換テキストをリアルタイムに返す
Speech-to-Text は結果のテキストをストリーミングし、認識されたストリーミング音声やユーザーの発言をすぐにテキストとして返せます。また、ファイルに保存された音声から認識されたテキストを返すこともできます。短時間と長時間の音声ともに対応しています。
固有名詞やコンテキスト固有の形式に対応した自動文字変換
Speech-to-Text は実際に使われる会話に対応できるように調整されており、固有名詞（名前、場所など）や特定の形式を使うべき言葉（日付、電話番号など）を正確に文字変換できます。Google は Oxford English Dictionary 全体の単語数に比べて 10 倍以上の固有名詞に対応しています。
ユースケースに合わせて、拡張モデルを選択
Speech-to-Text には事前ビルドされた拡張モデルが複数用意されており、ユースケース（音声コマンドなど）に合わせて音声認識を最適化できます。たとえば、動画用に事前ビルドされた音声文字変換モデルは動画や複数話者のコンテンツのインデックス作成または字幕作成に適しており、YouTube の字幕機能に似た機械学習技術を使用します。
| モデル | 説明 |
|---|---|
| command_and_search | 音声コマンドや音声検索などの短いクエリに最適です。 |
| phone_call | 電話の通話音声に最適です（通常は 8 kHz のサンプリング レートで録音されています）。 |
| 動画 | 動画からの音声または複数話者を含む音声に最適です。音声は 16 kHz 以上のサンプリング レートで録音されていることが理想的です。これは、標準レートよりも費用の高いプレミアム モデルです。 |
| default | 特定の音声モデルにあてはまらない音声（長時間の音声など）に最適です。16 kHz 以上のサンプリング レートで録音されたハイファイ音声であることが理想的です。 |
特長
- 音声適応ベータ版
- 音声入力の中にある特定のフレーズを認識する際の「ヒント」として機能する、単語や表現のリストを指定できます。クラスを使用して音声の数字を住所、年、通貨などに自動的に変換できます。状況に応じて、それ以外の変換も行うことも可能です。
- 自動音声認識
- ディープ ラーニングのニューラル ネットワーキングを利用した自動音声認識（ASR）を音声検索や文字起こしなどのアプリケーションで活用できます。
- グローバルな語彙
- 豊富な語彙を活用して、120 以上の言語と方言を認識します。
- リアルタイム ストリーミングにも録音された音声にも対応
- 音声は、アプリケーションのマイクからストリーミングすることも、事前に録音した音声ファイルをインラインや Google Cloud Storage から取得することもできます。FLAC、AMR、PCMU、Linear-16 など、複数の音声エンコーディングに対応しています。
- 言語の自動検出ベータ版
- 多言語に対応する必要がある場合に、2～4 種類の言語コードを指定して Speech-to-Text に音声言語を正しく自動識別させ、音声文字変換を行えるようになりました。
- ノイズ耐性
- 雑音の多い音声も正常に処理できます。ノイズ除去の必要はありません。
- 不適切なコンテンツのフィルタリング
- 一部の言語では、認識結果のテキストから不適切なコンテンツをフィルタリングできます。
- 句読点入力の自動化ベータ版
- 機械学習を利用して、音声文字変換テキストに正確に句読点（カンマ、疑問符、ピリオドなど）を付けることができます。
- モデルの選択
- 事前ビルドされたモデル（音声コマンドと検索、電話、動画の音声文字変換、デフォルト）から選択して、ユースケースに応じて最適化します。
- 話者ダイアライゼーションベータ版
- 会話におけるそれぞれの発話が、どちらの話者によるものなのかを自動予測できるようになりました。
- マルチチャンネル認識
- 複数の参加者がそれぞれ異なるチャンネル（2 チャンネルの電話、4 チャンネルのビデオ会議など）で話している録音音声を Speech-to-Text でチャンネル別に認識し、音声文字変換にアノテーションを付けて実際の会話と同じ順に表示できます。
料金
Speech-to-Text では、60 分の無料枠を超えると、15 秒ごとに音声処理の料金が発生します。詳細については、料金ガイドをご覧ください。
| 機能 | 標準モデル（拡張音声電話とビデオ通話を除くすべてのモデル） | プレミアム モデル（拡張音声電話、ビデオ通話） | ||
|---|---|---|---|---|
| 0～60 分 | 60 分超～100 万分まで | 0～60 分 | 60 分超～100 万分まで | |
| 音声認識（データロギングなし - デフォルト） | 無料 | $0.006/15 秒* | 無料 | $0.009/15 秒* |
| 音声認識（データロギングあり） | 無料 | $0.004/15 秒* | 無料 | $0.006/15 秒* |
この料金は、個人向けデバイス（スマートフォンやタブレット、ノート PC、デスクトップ PC など）上のアプリケーション用です。Speech-to-Text API を組み込みデバイス（自動車、テレビ、電化製品、スピーカーなど）で使用する場合は、承認と利用料金について Google までお問い合わせください。
* 各リクエストは 15 秒単位で切り上げられます。たとえば、それぞれに 7 秒の音声が含まれる 3 つのリクエスト（標準モデル）は、45 秒（3×15 秒）の音声として $0.018 が請求されます。15 秒単位での切り上げは、1 秒未満の秒数も対象になります。つまり、15.14 秒は 30 秒として請求されます。
このページで紹介しているプロダクトや機能はベータ版です。プロダクトのリリース段階の詳細については、こちらをご覧ください。
Cloud AI プロダクトはこちらに記載されている各種 SLA ポリシーに準拠しています。 これらの SLA ポリシーで保証されているレイテンシまたは可用性は、他の Google Cloud サービスと異なる場合があります。