Azure AI Speechでできること6選

Azure AI Speechコース

Azure AI Speechに関するコースがリリースされました。 Azure AI Speechの基礎から、Speech to Text・Text to Speechの実践活用までを、わずか40分で効率よく学べます。

Azure AI Speech: Text-to-Speech & Speech-to-Text with Docker

AIを使った音声サービスに興味がある方なら、「Azure AI Speech」というサービスを聞いたことがあるかもしれません。

Azure AI Speechは、Microsoft Azureが提供する音声AIサービスで、現在はMicrosoft FoundryのFoundry Toolsの一つとしても提供されています。
音声をテキストに変換するSpeech to Textや、テキストを自然な音声に変換するText to Speechをはじめ、音声翻訳、発音評価など、さまざまな音声処理機能を利用できます。

この記事では、Azure AI Speechでできる、個人的に便利だと感じた機能を6つ紹介します。

1. Speech to Text / Text to Speech

Azure AI Speechの代表的な機能が、Speech to TextとText to Speechです。

Speech to Textでは、録音した音声等をテキストに変換できます。会議の議事録作成や音声データの文字起こしなど、さまざまな用途に利用できます。

一方、Text to Speechでは、入力したテキストを自然な音声に変換できます。ナレーションの作成や音声アシスタントなど、テキストから音声を生成したい場面で利用できます。

Azure AI Speechを使えば、この2つの基本的な音声処理を比較的簡単に利用できます。

2. フレーズリストでSpeech to Textの認識精度を向上

Speech to Textでは、音声データに専門用語や固有名詞などが含まれている場合、誤った内容がテキストとして生成される場合があります。これはAzure AI Speechに限らず、多くのSpeech to Textサービスで起こり得る問題です。

このような場合に便利なのが、Phrase Listです。

あらかじめ認識してほしい単語やフレーズを指定することで、特定の単語が含まれる音声に対して、より適切な認識結果を得やすくなります。

例えば、製品名、会社名、専門用語など、一般的な辞書には含まれていない言葉を扱う場合に便利です。

音声認識の精度をさらに高めたい場合には、ぜひ試しておきたい機能です。
フレーズリストの利用方法はこちらのコースでも紹介しております。

3. ボイスギャラリーから音声を選んでText to Speech

Text to Speechでは、「どのような声で読み上げるか」も重要です。

Azure AI Speechには、さまざまな音声を確認できるVoice Galleryが用意されています。

ボイスギャラリーでは、実際の音声を簡単に試し聴きできます。そのため、複数の音声を比較しながら、用途に合った音声を選ぶことができます。

気に入った音声が見つかったら、その音声を指定してText to Speechを実行できます。

「実際に音声を聞いてから選びたい」という場合に非常に便利な機能です。
Voice Galleryの音声の設定方法はこちらのコースでも紹介しております。

4. Dockerを使ってノーコードで利用できる

Azure AI Speechは、Azure AI Speech CLI（spx）があらかじめインストールされたコンテナイメージを利用して簡単に実行可能です。 この方法では、ローカル環境に必要なパッケージを個別にインストールしたり、プログラムを作成したりすることなく、Azure AI Speechを利用できます。

例えば、以下のようにローカルの環境でコンテナを起動し、インターネット経由でAzure Speech Serviceにアクセスし、Azure AI Speechを利用できます。

CLIを利用するため、コマンドを実行するだけで音声の変換などを試すことができます。

また、コンテナとして実行できるため、環境を統一しやすいというメリットもあります。さらに、OpenShiftやKubernetesなどのコンテナオーケストレーション環境への展開を検討する場合にも、コンテナという形態は扱いやすいでしょう。
Dockerコンテナでの利用方法はこちらのコースでも紹介しております。

5. Speech Translationで音声を翻訳する

Azure AI Speechには、Speech Translationという音声翻訳機能もあります。

音声を入力すると、その内容を別の言語へ翻訳できます。

例えば、英語で話した内容を日本語へ翻訳するといった使い方が可能です。

単純な音声認識だけでなく、

音声
  ↓
Speech to Text
  ↓
翻訳
  ↓
翻訳結果

という処理をまとめて扱えるため、多言語対応のアプリケーションを構築したい場合などに活用できます。

6. Pronunciation Assessmentで発音を評価する

外国語の語学学習に活用できるのが、Pronunciation Assessment（発音評価）です。

ユーザーが発話した音声を分析し、発音がどの程度適切だったかを評価できます。

単純に「何を話したか」を認識するだけではなく、発音の正確さなどを評価できるため、語学学習アプリケーションや発音トレーニングなどへの活用が考えられます。

例えば、外国語の文章を読み上げ、その発音を評価するといった使い方ができます。

音声認識を「文字起こし」だけで終わらせず、発話そのものの評価に利用できるのが特徴です。

まとめ

今回は、Azure AI Speechで利用できる機能の中から、特に便利なものを6つ紹介しました。

Azure AI Speechは、単なる「音声の文字起こし・読み上げ」だけではありません。

高精度な音声認識、翻訳、発音評価など、音声を扱うさまざまな用途に利用できます。

また、Microsoft FoundryのFoundry Toolsの一つとして利用できるため、Azure上でAIを活用したアプリケーションを構築する際の音声サービスとしても検討しやすいでしょう。

まずはSpeech to TextやText to Speechから試してみると、Azure AI Speechがどのようなサービスなのかを理解しやすいと思います。

Azure AI Speechを実際に学んでみたい方へ

この記事では、Azure AI Speechで利用できる6つの機能を紹介しました。

このうち、Speech to Text、Text to Speech、Phrase List、Voice Gallery 、Dockerを利用したAzure AI Speechの実行方法については、下記のオンラインコースで詳しく解説しています。

Azure AI Speechの基本から、Speech to TextやText to Speechの活用方法まで、わずか40分ほどで学べるコースとなっており、Azure AI Speechをこれから使ってみたい方や、より詳しく学びたい方は、ぜひチェックしてみてください。

Azure AI Speech: Text-to-Speech & Speech-to-Text with Docker