audio/alaw フォーマット

A-law (audio/alaw) は、単一チャネルの非可逆音声フォーマットです。 このフォーマットで使用されるアルゴリズムは、audio/basic フォーマットと audio/mulaw フォーマットにより適用される u-law アルゴリズムに類似していますが、A-law アルゴリズムでは異なる信号特性が生成されます。 このフォーマットを使用する場合、サービスはフォーマット指定のための追加パラメーターを必要とします。

audio/basic フォーマット

基本音声 (audio/basic) は、8 kHz でサンプリングされた 8 ビット u-law (または mu-law) データを使用してエンコードされた単一チャネルの非可逆音声フォーマットです。 このフォーマットは、音声のメディア・タイプを示す最低限の共通フォーマットを提供します。 このサービスでは、狭帯域モデルでのみ、audio/basic フォーマットのファイルの使用がサポートされます。

詳しくは、Internet Engineering Task Force (IETF)Request for Comment(RFC)2046およびiana iana.org/assignments/media-types/audio/basicを参照のこと。

audio/flac フォーマット

FLAC (Free Lossless Audio Codec (FLAC)) (audio/flac) は、ロスレス音声フォーマットです。

audio/g729 フォーマット

G.729 (audio/g729) は、8 kHz でエンコードされたデータをサポートする非可逆音声フォーマットです。 このサービスでは G.729 Annex D のみがサポートされており、Annex J はサポートされていません。このサービスでは、狭帯域モデルでのみ、audio/g729 フォーマットのファイルの使用がサポートされます。

audio/l16 フォーマット

16 ビットのリニア PCM (Pulse-Code Modulation) (audio/l16) は、非圧縮音声フォーマットです。 このフォーマットは未加工の PCM ファイルを渡す場合に使用します。 リニア PCM 音声は、コンテナー WAV (Waveform Audio File Format) ファイルに入れることもできます。 audio/l16 フォーマットを使用すると、サービスではフォーマットを指定するための追加の必須パラメーターとオプション・パラメーターが受け入れられます。

詳しくは、IETFの RFC（Request for Comment）2586を参照のこと。

audio/mp3 フォーマットと audio/mpeg フォーマット

MP3 (audio/mp3) または MPEG (Motion Picture Experts Group) (audio/mpeg) は、非可逆音声フォーマットです。 MP33とMPEGは同じフォーマットを指す）。

audio/mulaw フォーマット

Mu-law (audio/mulaw) は、単一チャネルの非可逆音声フォーマットです。 データのエンコードには u-law (mu-law) アルゴリズムが使用されます。 audio/basic フォーマットは、サンプリング・レートが常に 8 kHz の同等のフォーマットです。 このフォーマットを使用する場合、サービスはフォーマット指定のための追加パラメーターを必要とします。

audio/ogg フォーマット

Ogg(audio/ogg) は、Xiph.org財団 xiph.org/ogg）によって管理されているオープン・コンテナ・フォーマットである。 以下の非可逆コーデックを使用して圧縮された音声ストリームを使用できます。

• Opus(audio/ogg;codecs=opus)。詳しくは opus-codec.org をご覧ください。
• Vorbis(audio/ogg;codecs=vorbis)。詳細は xiph.org/vorbisを参照。

OGG Opus が推奨されるコーデックです。 これは低遅延、高音質、低サイズなので、OGG Vorbis の論理的な後継です。 インターネット技術タスクフォース（IETF）が RFC（Request for Comment）6716として標準化している。

コンテンツ・タイプからコーデックを省略すると、サービスによって入力音声からコーデックが自動的に検出されます。

audio/wav フォーマット

WAV (Waveform Audio File Format) (audio/wav) は、非圧縮音声ストリームに対してよく使用されるコンテナーですが、圧縮音声も入れることができます。 サービスでは、任意のエンコーディングを使用した WAV 音声がサポートされています。 (FFmpeg の制約のため) サービスは最大 9 チャネルの音声を受け入れることができます。

WAV 音声を Opus コーデックに変換することでサイズを縮小する方法について詳しくは、Opus コーデックを使用する audio/ogg への変換を参照してください。

audio/webm フォーマット

ウェブ・メディア（WebM）（audio/webm）は、WebMwebmproject.org）によって管理されているオープン・コンテナ・フォーマットである。 以下の非可逆コーデックを使用して圧縮された音声ストリームを使用できます。

• Opus(audio/webm;codecs=opus)。詳しくは opus-codec.org をご覧ください。
• Vorbis(audio/webm;codecs=vorbis)。詳細は xiph.org/vorbisを参照。

コーデックを省略すると、入力音声からコーデックが自動的に検出されます。

Chromeブラウザでマイクから音声をキャプチャし、WebMデータストリームにエンコードする方法を示すJavaScriptコードについては、jsbin.com/hedujihuqo/edit?js,consoleを参照してください。 このコードは、取り込んだ音声をサービスに送信しません。

音声の概算サイズの比較

サンプリング・レート 16 kHz、1 サンプル当たり 16 ビットで 2 時間にわたる継続的音声伝送の結果のデータ・ストリームの概算サイズを検討します。

• データが audio/wav フォーマットでエンコードされている場合、2 時間のストリームのサイズは 230 MB となり、サービスの 100 MB 制限を大幅に上回ります。
• データが audio/ogg フォーマットでエンコードされている場合、2 時間のストリームのサイズは 23 MB であり、サービスの制限を下回ります。

以下の表に、同期 HTTP 要求または WebSocket 要求で音声認識のために送信できる音声の最長時間をフォーマット別に示します。 この時間には 100 MB の制限が反映されています。 実際の値は、音声の複雑さと実際の圧縮率に応じて異なります。

さまざまな音声フォーマットを比較するためのテストで、IBM® は、WAV フォーマットと FLAC フォーマットが最良の単語エラー率 (WER) を提供していることを判別しました。 これらのフォーマットは、データ損失なしで音声をそのまま維持するため、書き起こしの正確度のベースラインとして使用できます。 Opus がコーディングされた Ogg フォーマットでは、ベースラインと比較して 2% WER のわずかな低下が示されました。 MP3 フォーマットでは、ベースラインと比較して WER のパフォーマンスが 10% 低下し、最悪の結果がもたらされました。

audio/ogg;codecs=opus フォーマットと audio/webm;codecs=opus フォーマットは一般に同等であり、サイズもほぼ同一です。 これらのフォーマットでは内部で同じコーデックが使用されます。異なるのはコンテナーのフォーマットだけです。

書き起こしの正確度の最大化

音声フォーマットと圧縮アルゴリズムを選択する際は、書き起こしの正確度を最大化するために以下の推奨事項を検討してください。

• 非圧縮であるロスレス音声フォーマットを使用します。 音声の長さが 55 分未満 (100 MB 未満) の場合は、audio/wav フォーマットを使用することを検討してください。 WAV フォーマットは 55 分の音声にしか対応できませんが、多くの場合、カスタマー・サポート・コールなどのほとんどの書き起こしアプリケーションには十分です。 また、非圧縮 WAV 音声は、より正確な書き起こしを生成できます。
• 非同期 HTTP インターフェースを使用します。 WAV フォーマットを使用することを選択したが、音声が 100 MB の制限を超える場合、非同期インターフェースでは最大 1 GB のデータを送信できます。
• 圧縮されているがロスレス音声フォーマットを使用します。 音声ファイルを圧縮する必要がある場合は、audio/flac フォーマットを使用します。このフォーマットでは、ロスレス圧縮が使用されます。 ロスレス圧縮では、音声のサイズは縮小されますが、品質は維持されます。 FLAC フォーマットは、書き起こしの正確度を最大化するのに適しています。
• 最後の手段として非可逆圧縮を使用します。 さらに大きな圧縮が必要な場合は、Opus コーデックを使用した audio/ogg フォーマットを使用します。 Ogg フォーマットは非可逆圧縮を使用しますが、Ogg フォーマットと Opus コーデックの組み合わせでは、非可逆圧縮アルゴリズムの中で音声の正確度の低下が最小限になることが示されます。

より高いレベルの圧縮で他のフォーマットを使用すると、書き起こしの正確性が低下する可能性があります。 ご使用の音声とアプリケーションに最適なフォーマットを判別するには、サービスを試してください。 音声認識を改善するその他の方法については、音声認識を改善するためのヒントを参照してください。

Opus コーデックを使用する audio/ogg への変換

opus-toolsには、Opus コーデックで Ogg オーディオを扱うための 3 つのコマンドラインユーティリティが含まれています：

• opusencユーティリティは、WAV、FLAC、その他のフォーマットのオーディオをOpusコーデックでOggにエンコードします。 このページでは、音声ストリームの圧縮方法が説明されています。 圧縮は、リアルタイム音声をサービスに渡すときに役立ちます。
• opusdecユーティリティは、Opus コーデックのオーディオを非圧縮 PCM WAV ファイルにデコードします。
• opusinfoユーティリティは、Opus ファイルの情報と有効性のチェックを行います。

多くのユーザーは音声認識用に WAV ファイルを送信します。 このサービスには、同期 HTTP 要求と WebSocket 要求での 100 MB のデータ制限があるため、WAV フォーマットでは 1 つの要求で認識できる音声の量が少量となります。 opusenc コマンドを使用して、音声を優先フォーマットの audio/ogg:codecs=opus に変換すると、1 回の認識要求で送信できる音声の量が大幅に増加します。

例として、256 kbps のビット・レートに 1 サンプル当たり 16 ビットを使用する非圧縮広帯域 (16 kHz) WAV ファイル (input.wav) の場合を考えましょう。 以下のコマンドは、音声を Opus コーデックを使用するファイル (output.opus) に変換します。

opusenc input.wav output.opus

この変換では、音声が 1/4 に圧縮され、ビット・レートが 64 kbps の出力ファイルが生成されます。 しかし、Opusの推奨設定によれば、ビットレートを24kbpsに下げても、スピーチ音声用のフルバンドを維持することができます。 そのようにビット・レートを下げることにより、音声を 1/10 に圧縮できます。 以下のコマンドは、--bitrate オプションを使用して、ビット・レート 24 kbps で出力ファイルを生成します。

opusenc --bitrate 24 input.wav output.opus

opusenc ユーティリティーによる圧縮は高速です。 リアルタイムよりも約 100 倍高速に圧縮が行われます。 コマンドが完了すると、実行時間と結果の音声データに関する詳細情報を示す出力がコンソールに書き込まれます。