alternatives フィールド

alternatives フィールドには、書き起こし結果の配列が示されます。 この要求の場合、配列には 1 つの要素のみが含まれます。

• transcript フィールドには、書き起こし結果が示されます。
• confidence フィールドは、書き起こしにおけるサービスの信頼性を示すスコアです。この例では 90% を超えています。

final フィールドと result_index フィールドによって、これらの値の意味が限定されます。

サービスに対する内部の変更および改善は、書き起こしと信頼度スコアに影響を与える可能性があります。 例えば、音声認識を改善して、より正確な書き起こし結果を返すことができます。 同様に、音声認識が改善された結果として、書き起こしスコアと単語の信頼度スコアが若干変化する可能性があります。 このような変更は控えめなものになることが予想されますが、時間の経過とともに書き起こしや信頼度スコアが変わらないことは想定していません。

final フィールド

final フィールドは、書き起こしが最終的な書き起こし結果であるかどうかを示します。

• 変更されないことが保証されている最終結果の場合、このフィールドは true になります。 サービスは、最終結果の更新をこれ以上送信しません。
• 変更される可能性のある中間結果の場合、このフィールドは false になります。 WebSocket インターフェースで interim_results パラメーターを使用すると、サービスは音声を書き起こす際に、複数の results フィールドの形式で進化する仮説を返します。 中間結果の場合、final フィールドは常に false であり、confidence フィールドは常に省略されます。

大規模なスピーチモデル、前世代モデル、次世代モデルで中間結果を得るための WebSocket インターフェイスの使用については、以下のトピックを参照してください：

• 中間結果
• サービスが認識結果を送信する方法

result_index フィールド

result_index フィールドは、その要求に固有の結果の ID を示します。 中間結果を要求すると、入力音声の変化する仮説としてサービスから複数の results フィールドが送信されます。 同一音声の最終結果の場合と同様に、同一音声の中間結果のインデックスの値は常に同一です。

同じインデックスを、単一の要求の複数の最終結果に使用することもできます。 中間結果を要求するかどうかに関係なく、音声に休止たは長時間の無音が含まれている場合、サービスは同じインデックスを使用して複数の最終結果を返すことができます。 詳しくは、休止と無音を参照してください。

音声の最終結果の受信後には、要求の残り部分でサービスがそれ以降の結果にそのインデックスを付けて送信することはありません。 それ以降の結果のインデックスは 1 ずつ増えます。

音声から複数の最終結果が生成される場合は、最終結果の transcript 要素を連結して、音声の完全な書き起こしにまとめることができます。 受信した順序で結果をアセンブルします。 完全な最終書き起こしをアセンブルする場合は、final フィールドが false である中間結果を無視できます。

追加の応答コンテンツ

多くの音声認識パラメーターは、サービスの応答の内容に影響を与えます。 パラメーターによっては、サービスが複数の書き起こし結果を返すことがあります。

• end_of_phrase_silence_time
• interim_results
• split_transcript_at_phrase_end

一部のパラメーターは、書き起こしの内容を変更できます。

• profanity_filter
• redaction
• smart_formatting

他のパラメーターは、結果にさらに情報を追加できます。

• audio_metrics
• keywords および keywords_threshold
• max_alternatives
• processing_metrics および processing_metrics_interval
• speaker_labels
• timestamps
• word_alternatives_threshold
• word_confidence

使用可能なパラメーターについて詳しくは、音声認識パラメーターの使用およびパラメーターの要約を参照してください。

前世代のモデルに対する躊躇

前世代モデルの場合、サービスには、ほとんどの言語の書き起こし結果に言い淀みマーカーが含まれています。 異なる言語では、異なるためらいマーカーを使ったり、ためらいをまったく示さなかったりする：

• *米国英語の場合、*言い淀みマーカーは、トークン %HESITATION によって示されます。 言い淀みマーカーを生成する単語は、 aah、 ah、 hm、 hmm、 huh、 huh-uh、 hum、 ohh、 ugh、 uh、 uh-huh、 uh-oh、 uh-uh、 um、および um-hum です。
• *日本語の場合、*言い淀みマーカーは通常、D_ で始まります。
• *スペイン語の場合、*サービスは言い淀みマーカーを生成しません。

以下の例は、米国英語の書き起こしのトークン %HESITATION を示しています。

{
  "result_index": 0,
  "results": [
    {
      "alternatives": [
        {
          "confidence": 0.99,
          "transcript": ". . . that %HESITATION that's a . . ."
        }
      ],
      "final": true
    }
  ]
}

言い淀みマーカーは中間結果と最終結果の両方に表示されることがあります。 スマート・フォーマット設定を有効にすると、米国英語の最終結果に言い淀みマーカーが表示されなくなります。 詳しくは、スマート・フォーマット設定を参照してください。

言い淀みマーカーは、書き起こしの他のフィールドにも含まれることもあります。 例えば、書き起こしの個々の単語の単語のタイム・スタンプを要求すると、各言い淀みマーカーの開始時刻と終了時刻が報告されます。

{
  "result_index": 0,
  "results": [
    {
      "alternatives": [
        {
          "timestamps": [
            . . .
            [
              "that",
              7.31,
              7.69
            ],
            [
              "%HESITATION",
              7.69,
              7.98
            ],
            [
              "that's",
              7.98,
              8.41
            ],
            [
              "a",
              8.41,
              8.48
            ],
            . . .
          ],
          "confidence": 0.99,
          "transcript": ". . . that %HESITATION that's a . . ."
        }
      ],
      "final": true
    }
  ]
}

言い淀みマーカーをアプリケーションで使用する必要がない場合は、書き起こしから削除しても問題ありません。

次世代モデルに対する躊躇

次世代モデルの場合、サービスにはすべての書き起こし結果に実際の躊躇語が含まれます。 次世代モデルでは、躊躇を単語として扱うため、中間結果、最終結果、および単語のタイム・スタンプの結果などのその他のフィールドには、躊躇が出現する可能性があります。 次世代モデルでは言い淀みマーカーは生成されません。スマート・フォーマット設定を有効にしても、最終結果から言い淀みが除去されることはありません。 言語によって、異なる言い淀み語を識別することができます。

• 米国英語の場合、 プレビュー生成モデルの一般的な言い淀みワードは、 aah、 ah、 hm、 hmm、 huh、 huh-uh、 hum、 ohh、 ugh、 uh、 uh-huh、 uh-oh、 uh-uh、 um、および um-hum です。 これらすべてのためらいの言葉が書き起こしに現れるとは限りません。
• 日本語の場合、 言い淀みワードは通常、 ｱ、 ｱﾉｰ、 ｳｰﾝ、 ｴｰﾄ、 ﾏ、 ﾃ、 ﾏ、および ﾝｰﾄなどの半角文字で構成されます。 一部の躊躇は、全角文字として認識される場合があります。

応答に躊躇する可能性を高めるために、カスタム言語モデルを使用できます。 カスタム・モデルでは、躊躇を含むコーパスを追加するか、ユーザーの言動が「いいね」を持つカスタム単語を作成します。 カスタム言語モデルについて詳しくは、 カスタム言語モデルの作成 を参照してください。

次の例は、アメリカ英語のトランスクリプトにおける「uhm」のためらいを示している：

{
  "result_index": 0,
  "results": [
    {
      "alternatives": [
        {
          "confidence": 0.99,
          "transcript": ". . . that uhm that's a . . ."
        }
      ],
      "final": true
    }
  ]
}