キーワード検出の結果

サービスでは、keywords_result 配列の要素である results フィールドに結果が返されます。 keywords_result フィールドは、列挙可能プロパティーの辞書 (連想配列) です。 各プロパティーは、指定キーワードによって識別され、オブジェクトの配列が含まれます。 サービスは、キーワードに関して検出した一致ごとに配列の要素を 1 つ返します。 各一致のオブジェクトには、以下のフィールドが含まれます。

• normalized_text。入力音声に一致した発話句に正規化された指定キーワードです。
• start_time は、一致の開始時間 (秒単位) です。
• end_time は、一致の終了時間 (秒単位) です。
• confidence。一致したものが指定キーワードを表す、サービスの信頼度です。 結果に含まれるには、信頼度が指定しきい値以上でなければなりません。

サービスで一致するものが見つからなかったキーワードは、配列から省略されます。 以下の場合、キーワードは見つからない可能性があります。

• 単に音声にキーワードが含まれていない。 キーワードがないことが、最も明らかな説明です。

• 設定されているしきい値が大きすぎる。 サービスでキーワードは識別されているが、その信頼度レベルが低いことがあります。この場合、その一致は結果から省略されます。

• 複数のトークンが含まれているキーワード・ストリング (例えば、Speech to Text) が発話されたが、トークン間の無音が長すぎた。 サービスでは、音声の書き起こし時に、ストリームを一連のブロックに分割します。 各ブロックは、0.5 秒を超える無音間隔が含まれていない連続した音声チャンクです。 このようなブロックで構成された、結果オブジェクトの配列が構成されます。

  サービスでは、以下の場合にのみ複数のトークンから成るキーワードが一致と見なされます。

  • キーワードのトークンが同じブロック内にある、
  • トークンが隣接しているか 0.1 秒以下のギャップで区切られている。

  後者の場合、短いフィラーまたは非字句の発話 (「uhm」や「well」など) は、キーワードの 2 つのトークンの間にある可能性があります。 この場合、前世代モデルは、書き起こしのこの位置に言い淀みマーカーを挿入できます。 次世代モデルでは、実際の転写結果に躊躇が含まれています。 詳細は 、「スピーチの躊躇と躊躇のマーカー 」を参照してください。

キーワード検出の例

以下の要求例では、keywords パラメーターを 3 つのストリング (colorado、tornado、および tornadoes) の URL エンコード配列に設定し、keywords_threshold パラメーターを 0.5 に設定します。

IBM Cloud

curl -X POST -u "apikey:{apikey}" \
--header "Content-Type: audio/flac" \
--data-binary @{path}audio-file.flac \
"{url}/v1/recognize?keywords=colorado%2Ctornado%2Ctornadoes&keywords_threshold=0.5"

IBM Cloud Pak for Data IBM Software Hub

curl -X POST \
--header "Authorization: Bearer {token}" \
--header "Content-Type: audio/flac" \
--data-binary @{path}audio-file.flac \
"{url}/v1/recognize?keywords=colorado%2Ctornado%2Ctornadoes&keywords_threshold=0.5"

サービスは、colorado および tornadoes の適格なオカレンスを検出します。

{
  "result_index": 0,
  "results": [
    {
      "keywords_result": {
        "colorado": [
          {
            "normalized_text": "Colorado",
            "start_time": 4.94,
            "confidence": 0.91,
            "end_time": 5.62
          }
        ],
        "tornadoes": [
          {
            "normalized_text": "tornadoes",
            "start_time": 1.52,
            "confidence": 1.0,
            "end_time": 2.15
          }
        ]
      },
      "alternatives": [
        {
          "confidence": 0.96,
          "transcript": "several tornadoes touch down as a line of
severe thunderstorms swept through Colorado on Sunday "
        }
      ],
      "final": true
    }
  ]
}

単語候補の結果

サービスでは、word_alternatives 配列の要素である results フィールドに結果が返されます。 word_alternatives フィールドはオブジェクトの配列であり、各オブジェクトでは、単語候補に関する以下のフィールドが示されます。

• start_time は、仮説が返された単語の入力音声での開始時間 (秒単位) を示します。
• end_time は、仮説が返された単語の入力音声での終了時間 (秒単位) を示します。
• alternatives。仮説オブジェクトの配列です。 各オブジェクトには、サービスの仮説の信頼度スコアを示す confidence および仮説を識別する word が含まれます。 結果に含まれるには、信頼度が指定しきい値以上でなければなりません。 サービスは信頼度によって候補を順序付けます。

単語候補の例

以下の要求例では、word_alternatives_threshold がやや低い 0.10 に指定されています。 この簡単な入力音声には、よくある同つづり同音異義語 (スペルと音が同じで意味の違う語) や、異なる音響上の解釈が可能である単語が含まれています。

IBM Cloud

curl -X POST -u "apikey:{apikey}" \
--header "Content-Type: audio/wav" \
--data-binary @{path}audio-file.wav \
"{url}/v1/recognize?word_alternatives_threshold=0.10"

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?word_alternatives_threshold=0.10"

しきい値が低く設定されているため、サービスはすべての単語の開始時刻と終了時刻とともに、いくつかの語に対する複数の仮説と信頼度スコアを返しています。 最終的な書き起こしでは、入力音声を正しく認識します。

{
   "result_index": 0,
   "results": [
      {
         "final": true,
         "alternatives": [
            {
               "transcript": "yes I ate that tuna ",
               "confidence": 0.82
            }
         ],
         "word_alternatives": [
            {
               "start_time": 0.0,
               "end_time": 0.31,
               "alternatives": [
                  {
                     "word": "yes",
                     "confidence": 1.0
                  }
               ]
            },
            {
               "start_time": 0.31,
               "end_time": 0.46,
               "alternatives": [
                  {
                     "word": "I",
                     "confidence": 1.0
                  }
               ]
            },
            {
               "start_time": 0.46,
               "end_time": 0.63,
               "alternatives": [
                  {
                     "word": "ate",
                     "confidence": 0.89
                  },
                  {
                     "word": "eat",
                     "confidence": 0.11
                  }
               ]
            },
            {
               "start_time": 0.63,
               "end_time": 0.77,
               "alternatives": [
                  {
                     "word": "that",
                     "confidence": 0.72
                  },
                  {
                     "word": "the",
                     "confidence": 0.27
                  }
               ]
            },
            {
               "start_time": 0.77,
               "end_time": 1.2,
               "alternatives": [
                  {
                     "word": "tuna",
                     "confidence": 0.94
                  }
               ]
            }
         ]
      }
   ]
}