Speech-to-Text in Python: Tools, Code, and Comparisons

Pythonによる音声テキスト変換：ツール、コード、比較

音声テキスト変換は、パーソナルアシスタントから転写ツールまで、多くのアプリケーションにおいて重要な機能です。この記事では、Pythonで音声テキスト変換を実装するための主要なライブラリとサービスについて探ります：SpeechRecognition、Google Cloud Speech-to-Text、Azure Speech Service、そしてWhisper by OpenAI。それぞれについてサンプルコードを提供し、パフォーマンス、精度、価格を比較します。

1. SpeechRecognition

概要

種類: オープンソース
依存関係: ローカルマイクまたは事前に録音された音声ファイル
バックエンド: デフォルトでGoogle Web Speech API
最適な用途: クイックプロトタイピング、趣味のプロジェクト

コードスニペット

import speech_recognition as sr

recognizer = sr.Recognizer()

with sr.Microphone() as source: print("Listening...") audio = recognizer.listen(source)

try: text = recognizer.recognize_google(audio) print("You said:", text) except sr.UnknownValueError: print("音声認識できませんでした。") except sr.RequestError as e: print(f"APIエラー: {e}")

2. Google Cloud Speech-to-Text

概要

種類: クラウドベースAPI
依存関係: Google Cloudアカウント
最適な用途: 高精度、多様な言語サポート

コードスニペット

from google.cloud import speech import io

client = speech.SpeechClient()

with io.open("audio.wav", "rb") as audio_file: content = audio_file.read()

audio = speech.RecognitionAudio(content=content) config = speech.RecognitionConfig( encoding=speech.RecognitionConfig.AudioEncoding.LINEAR16, sample_rate_hertz=16000, language_code="en-US", )

response = client.recognize(config=config, audio=audio)

for result in response.results: print("転写:", result.alternatives[0].transcript)

3. Azure Speech Service

概要

種類: クラウドベースAPI
依存関係: Azure Cognitive Servicesアカウント
最適な用途: エンタープライズアプリケーション、Microsoftエコシステムとの統合

コードスニペット

import azure.cognitiveservices.speech as speechsdk

speech_key = "YOUR_AZURE_SPEECH_KEY" service_region = "YOUR_SERVICE_REGION" speech_config = speechsdk.SpeechConfig(subscription=speech_key, region=service_region)

speech_recognizer = speechsdk.SpeechRecognizer(speech_config=speech_config)

print("何か話してください...") result = speech_recognizer.recognize_once()

if result.reason == speechsdk.ResultReason.RecognizedSpeech: print("認識しました:", result.text) else: print("エラー:", result.reason)

4. Whisper by OpenAI

概要

種類: オープンソース、オフライン
依存関係: 事前トレーニング済みのWhisperモデル
最適な用途: オフライン転写、様々なアクセントに対する高精度

コードスニペット

import whisper

model = whisper.load_model("base")

result = model.transcribe("audio.mp3") print("転写:", result["text"])

比較表

音声テキスト変換 - サービス比較

パフォーマンスに関する知見

精度:
- WhisperとGoogle Cloud Speechは、様々なアクセントやノイズの多い環境において優れた精度を提供します。
- SpeechRecognitionは、音声があいまいな場合に苦労することがあります。
速度:
- SpeechRecognitionとGoogleやAzureのようなクラウドサービスは、特にリアルタイムタスクにおいてWhisperよりも高速です。
- Whisperは速度が遅いですが、オフラインで動作するため、プライバシー重視のアプリケーションにとって価値があります。
コスト:
- SpeechRecognitionとWhisperは、小規模なプロジェクトには費用対効果が高いです。
- クラウドサービス（GoogleとAzure）は大規模で高精度なニーズには適していますが、継続的なコストが発生します。

最終的な推奨事項

迅速で小規模なプロジェクトにはSpeechRecognitionを使用してください。
高精度と言語サポートを必要とするエンタープライズアプリケーションには、Google Cloud SpeechまたはAzure Speech Serviceを選択してください。
オフライン機能またはプライバシーが優先される場合は、Whisperを選択してください。