音声を入力する
アプリケーションが録音またはライブ音声ストリームを送ります。入力となるのは音そのものです。認識システムは、背景雑音、声の重なり、聞き慣れない名前などを含む音響信号から単語を推定しなければなりません。
音声技術を解説
deepgram aiとは何か、という質問への短い答えは、Deepgramは音声をテキストに変換し、テキストから音声を生成する技術を提供する音声AI企業だということです。開発者がアプリケーションに組み込める技術であり、どんな録音でも完璧に文字起こしできることを保証するものではありません。
Deepgramが扱う音声タスクは一つではありません。以下のページでは概念を分けて説明しているので、プロジェクトに関係する部分を確認できます。
一般的な音声からテキストへの変換には、3つの段階があります。詳細はアプリケーションによって異なりますが、この順序を知るとDeepgramの役割が分かりやすくなります。
アプリケーションが録音またはライブ音声ストリームを送ります。入力となるのは音そのものです。認識システムは、背景雑音、声の重なり、聞き慣れない名前などを含む音響信号から単語を推定しなければなりません。
Deepgramは音声認識モデルを使い、話された可能性の高い単語を特定します。選択したサービスや設定によっては、結果の整理に役立つ情報もアプリケーションから要求できます。モデルの出力は音声の解釈であり、話者の意図を独立して検証したものではありません。
アプリケーションは、検索、字幕、メモなどの用途に使うテキストを受け取ります。その後、重要な箇所を元の録音と照らし合わせて確認できます。テキスト読み上げは逆方向の処理です。誰かが話した内容を文字にするのではなく、テキストから音声を生成します。
Deepgramは音声を活用したワークフローを支援できますが、その出力は利用する場面に照らして評価する必要があります。
アクセント、声の重なり、性能の低いマイク、専門用語は、いずれも認識結果に影響します。一見確からしい文章にも、重大な誤りが含まれている可能性があります。
対処法実際の使用場面に近い録音でDeepgramをテストし、名前、数値、判断内容を音声と照らし合わせて確認してください。
文字起こしは言葉の解釈を記録するものであり、発言が皮肉だったのか、誤りだったのか、文脈から切り離されているのかまでは分かりません。生成された要約には、さらに別の解釈が加わります。
対処法文脈の確認や説明責任が重要な場合は、元の録音にアクセスできるようにしておいてください。
音声サービスを利用するだけでは、同意の取得、保存期間のルール、機密性の高い会話を処理する許可が確立されるわけではありません。これらはワークフローを運用する組織が決定する事項です。
対処法機密性の高い音声をDeepgramに送信する前に、適用されるサービス規約と自社のポリシーを確認してください。
音声を扱うシステムを構築する開発者やチームは、人による文字起こしと併せてDeepgramを検討することがあります。適切な方法は、音声の量だけでなく、誤りがもたらす影響によって決まります。
Deepgramの音声認識
ソフトウェアのワークフロー内で音声を処理するアプリケーションチーム
人による文字起こしと確認
録音を直接扱う編集者、研究者、専門家
Deepgramの音声認識
アプリケーションから提供される録音済みまたはストリーミングの音声
人による文字起こしと確認
録音と、確認担当者に提供される指示や背景情報
Deepgramの音声認識
確認や後続処理に使用する機械生成テキスト
人による文字起こしと確認
人が作成または修正した文字起こし
Deepgramの音声認識
不明瞭な単語を誤認識したり、もっともらしくても誤った表現を選んだりする場合がある
人による文字起こしと確認
不確かな箇所を示し、聞き取りにくい部分を再生できる
Deepgramの音声認識
音声とワークフローの設定によって異なる
人による文字起こしと確認
文字起こし担当者に提供されたプロジェクトの背景情報を活用できる
Deepgramの音声認識
実際の用途を代表する音声でDeepgramをテストする
人による文字起こしと確認
録音と照らし合わせて正確性と編集上の一貫性を確認する
必要なのが音声からテキストへの変換、テキストから音声への変換、あるいはより広範な対話型ワークフローのどれかを判断しましょう。そのうえで、実際に使用する音声に近い素材で利用可能なツールをテストし、機密性の高い内容を共有する前に利用規約を確認してください。以下のリンク先は別の音声サービスです。このページは、そのサービスがDeepgramと同じ機能やポリシーを備えていることを示すものではありません。
Deepgramは音声認識と音声生成の技術を提供しています。開発者は音声テキスト変換を使って音声を検索可能にしたり、文字起こしの下書きを作成したりできます。一方、テキスト音声変換は、音声での出力が必要なアプリケーションに役立ちます。まずは、自分のワークフローにどちらが必要かを見極めましょう。
厳密には違います。Deepgramはアプリケーションで利用できる音声技術を提供します。利用者に見える体験は、そのアプリケーションの作り方によって異なります。アプリに表示される文字起こしは、より大きな処理の一部にすぎない場合があります。
それを保証できる音声認識システムはありません。認識の精度は、音声の明瞭さ、アクセント、発話の重なり、語彙などの要因に左右されます。生成されたテキストを確認済みの記録として扱わず、重要な箇所は元の音声と照らし合わせて確認してください。
いいえ。Deepgramは、テキストから音声を生成する技術にも対応しています。音声認識と音声生成は異なる課題を解決するため、検討中のワークフローに実際に必要な機能を確認してください。