句の終わりの無音時間の例

以下の要求の例で、end_of_phrase_silence_time パラメーターを使用する効果について説明します。 音声は、"one two three four five six" というフレーズを読み上げるもので、"three" と "four" の間に 1 秒の休止があります。 例えば、話者が ID カードの 6 桁の数字を読み上げ、数字を確認するために休止するというような状況です。

最初の例では、デフォルトの休止間隔である 0.8 秒を使用します。

IBM Cloud

curl -X POST -u "apikey:{apikey}" \
--header "Content-Type: audio/wav" \
--data-binary @{path}audio-file.wav \
"{url}/v1/recognize"

IBM Cloud Pak for Data IBM Software Hub

curl -X POST \
--header "Authorization: Bearer {token}" \
--header "Content-Type: audio/wav" \
--data-binary @{path}audio-file.wav \
"{url}/v1/recognize"

休止がデフォルトの間隔よりも長いので、休止時点で書き起こしは分割されています。 どちらの結果も confidence は 0.99 であるため、休止にもかかわらず書き起こしの正確度は非常に高くなりました。

{
  "result_index": 0,
  "results": [
    {
      "alternatives": [
        {
          "confidence": 0.99,
          "transcript": "one two three "
        }
      ],
      "final": true
    },
    {
      "alternatives": [
        {
          "confidence": 0.99,
          "transcript": "four five six "
        }
      ],
      "final": true
    }
  ]
}

一方、6 桁の数字をユーザーが単一句応答で話すことを予期する文法を使用して、音声認識を実行することを想定してください。 1 秒の休止時点でサービスによって書き起こしが分割されるので、結果は空になります。 どちらの最終結果にも文法が適用されますが、「one two three」にも「four five six」にも 6 桁の数字は含まれていません。

2 番目の例では、同じ音声を使用しますが、end_of_phrase_silence_time を 1.5 秒に設定します。

IBM Cloud

curl -X POST -u "apikey:{apikey}" \
--header "Content-Type: audio/wav" \
--data-binary @{path}audio-file.wav \
"{url}/v1/recognize?end_of_phrase_silence_time=1.5"

IBM Cloud Pak for Data IBM Software Hub

curl -X POST \
--header "Authorization: Bearer {token}" \
--header "Content-Type: audio/wav" \
--data-binary @{path}audio-file.wav \
"{url}/v1/recognize?end_of_phrase_silence_time=1.5"

この値は話者の休止よりも長いので、発話句全体が含まれた単一の最終結果が返されています。 6 桁の数字が見つかることを予期する文法は、この書き起こしを認識します。

{
  "result_index": 0,
  "results": [
    {
      "alternatives": [
        {
          "confidence": 1.0,
          "transcript": "one two three four five six "
        }
      ],
      "final": true
    }
  ]
}

句の終わりでの書き起こしの分割の結果

句の終わりでの書き起こしの分割機能を有効にした場合は、書き起こしの最終結果ごとに、サービスがその時点で書き起こしを分割した理由を示す end_of_utterance フィールドが追加で含まれています。

• full_stop - 完全な意味的終わり (文法的に正しい文の終わりなど)。 前述のように、分割の挿入は基本言語モデルの影響を受け、カスタム言語モデルと文法によってバイアスをかけられます。
• silence - 休止間隔以上の長さの休止または無音。 休止間隔の長さは、end_of_phrase_silence_time パラメーターを使用して制御できます。
• end_of_data - 入力音声ストリームの終わり。
• reset - 現在処理中の音声の長さが最大値の 2 分を超えました。 サービスは、メモリーの過剰使用を回避するために書き起こしを分割します。

句の終わりでの書き起こしの分割の例

以下の要求例で、split_transcript_at_phrase_end パラメーターの使用法について説明します。 音声は、「I have an identification card. The number is one two three four five six.」という句を話します。 話者は、単語「three」と「four」の間で 1 秒間停止します。

最初の例では、パラメーターを省略した要求の結果を示しています。

IBM Cloud

curl -X POST -u "apikey:{apikey}" \
--header "Content-Type: audio/wav" \
--data-binary @{path}audio-file.wav \
"{url}/v1/recognize"

IBM Cloud Pak for Data IBM Software Hub

curl -X POST \
--header "Authorization: Bearer {token}" \
--header "Content-Type: audio/wav" \
--data-binary @{path}audio-file.wav \
"{url}/v1/recognize"

サービスは 2 つの最終結果を返し、話者の延長された休止時にのみ書き起こしを分割します。

{
  "result_index": 0,
  "results": [
    {
      "alternatives": [
        {
          "confidence": 0.93,
          "transcript": "I have a valid identification card the number is one two three "
        }
      ],
      "final": true
    },
    {
      "alternatives": [
        {
          "confidence": 0.99,
          "transcript": "four five six "
        }
      ],
      "final": true
    }
  ]
}

2 番目の例では、同じ音声を認識しますが、split_transcript_at_phrase_end を true に設定します。

IBM Cloud

curl -X POST -u "apikey:{apikey}" \
--header "Content-Type: audio/wav" \
--data-binary @{path}audio-file.wav \
"{url}/v1/recognize?split_transcript_at_phrase_end=true"

IBM Cloud Pak for Data IBM Software Hub

curl -X POST \
--header "Authorization: Bearer {token}" \
--header "Content-Type: audio/wav" \
--data-binary @{path}audio-file.wav \
"{url}/v1/recognize?split_transcript_at_phrase_end=true"

サービスは、3 つの最終結果を返します。最初の文の後の意味的な終わりに応じて、結果が 1 つ追加されています。 結果ごとに、分割の理由を示す end_of_utterance フィールドが含まれています。

{
  "result_index": 0,
  "results": [
    {
      "alternatives": [
        {
          "confidence": 0.92,
          "transcript": "I have a valid identification card "
        }
      ],
      "final": true,
      "end_of_utterance": "full_stop"
    },
    {
      "alternatives": [
        {
          "confidence": 0.97,
          "transcript": "the number is one two three "
        }
      ],
      "final": true,
      "end_of_utterance": "silence"
    },
    {
      "alternatives": [
        {
          "confidence": 0.99,
          "transcript": "four five six "
        }
      ],
      "final": true,
      "end_of_utterance": "end_of_data"
    }
  ]
}

文字挿入バイアスの例

以下の要求例では、character_insertion_biasパラメーターを0.1に設定することで、より長い文字列の仮説をわずかに優先するようにサービスに指示します。 これは、書き起こし結果に対する変更の影響を判別するための小さな初期増分です。

IBM Cloud

curl -X POST -u "apikey:{apikey}" \
--header "Content-Type: audio/wav" \
--data-binary @{path}audio-file.wav \
"{url}/v1/recognize?model=en-US_Telephony&character_insertion_bias=0.1"

IBM Cloud Pak for Data IBM Software Hub

curl -X POST \
--header "Authorization: Bearer {token}" \
--header "Content-Type: audio/wav" \
--data-binary @{path}audio-file.wav \
"{url}/v1/recognize?model=en-US_Telephony&character_insertion_bias=0.1"