議事録作成システムの構築 2/3回(Speech to Text編)

✅

はじめに分割した音声データを文字起こし 1. GCSにアップロードされた音声ファイルを文字起こし 2. 文字起こしした文章を1つに纏める 3. 文字起こしした文章をテキストファイルとして保存するまとめ参考

関連記事

はじめに

この記事では、議事録作成システムを開発していきます。１時間以上の会議を想定し、会議の音声データを文字起こし、議事録作成まで説明していきます。GoogleのSpeech to TextやOpenAIのAPIを活用し、実装します。

１つの記事に纏めるのは難しいので、記事を何回かに分けたいと思います。開発の流れは以下のようになります。

💡

開発の流れ

音声データの分割
分割した音声データを文字起こし
文字起こしした文章から議事録を作成

前回記事では、音声データを分割し、処理しやすい長さにしました。この分割した音声データを使って、今回は2. 分割した音声データを文字起こしについて説明していきます。

前回記事はこちらからご覧ください。

分割した音声データを文字起こし

前回、音声データを分割し、Google Cloud Storage (GCS)にアップロードしました。今回はアップロードした音声データを使って、GoogleのSpeech to TextのAPIで非同期処理を行い、文字起こししていきます。

分割した音声データを文字起こしを行う流れは以下の通りです。

💡

分割した音声データを文字起こし

GCSにアップロードされた音声ファイルを文字起こし
文字起こしした文章を1つに纏める
文字起こしした文章をテキストファイルとして保存する

コード全体を先に示しておきます。全体像を知りたい方はご覧ください。

コード全体

import os

from google.cloud import speech, storage


def get_blobs(bucket_name):
    # Get list of files in the bucket
    storage_client = storage.Client()
    blobs = storage_client.list_blobs(bucket_name)
    return blobs


def transcribe_audio(blob, bucket_name):
    gcs_uri = f"gs://{bucket_name}/{blob.name}"
    audio = speech.RecognitionAudio(uri=gcs_uri)
    config = speech.RecognitionConfig(
        encoding=speech.RecognitionConfig.AudioEncoding.LINEAR16,
        language_code="ja-JP",
        sample_rate_hertz=16000,
    )
    client = speech.SpeechClient()
    operation = client.long_running_recognize(config=config, audio=audio)
    print("Waiting for operation to complete...")
    response = operation.result(timeout=300)
    text = ""
    for result in response.results:
        text += result.alternatives[0].transcript
    print(text)
    return text


if __name__ == "__main__":
	api_key_path = "api_key_path"
  os.environ["GOOGLE_APPLICATION_CREDENTIALS"] = api_key_path
	bucket_name = "bucket_name"
	blobs = get_blobs(bucket_name)
	blobs = sorted(blobs, key=lambda blob: int(blob.name.split("_")[2].split(".")[0]))
	text = ""
	for blob in blobs:
	    if blob.name.startswith("sumiful_mp4_") and blob.name.endswith(".wav"):
	        # Transcribe the audio file
	        text += transcribe_audio(blob, bucket_name)
	
	with open("text_file_path", "w", encoding="utf-8") as f:
	    f.write(text)

1. GCSにアップロードされた音声ファイルを文字起こし

GCSにアップロードされた音声ファイルをGoogleのSpeech to Text APIを使って文字に変換します。

以下の関数でこの操作を行っています。

def transcribe_audio(blob, bucket_name):
    gcs_uri = f"gs://{bucket_name}/{blob.name}"
    audio = speech.RecognitionAudio(uri=gcs_uri)
    config = speech.RecognitionConfig(
        encoding=speech.RecognitionConfig.AudioEncoding.LINEAR16,
        language_code="ja-JP",
        sample_rate_hertz=16000,
    )
    client = speech.SpeechClient()
    operation = client.long_running_recognize(config=config, audio=audio)
    response = operation.result(timeout=300)
    text = ""
    for result in response.results:
        text += result.alternatives[0].transcript
    print(text)
    return text

引数はGCSの音声ファイルを指すblobと前回作成したGCSのバケット名を指すbucket_nameです。引数から、GCSの音声ファイルのURIを作成し、音声データを非同期に文字起こしします。

この関数は、各音声ファイルに対して呼び出され、文字起こししたテキストは後のステップで纏められます。

2. 文字起こしした文章を1つに纏める

次に、これらの文字起こしを1つのテキストとして纏めます。これは、transcribe_audio関数から返されるテキストを連結することで行います。

blobs = get_blobs(bucket_name)
blobs = sorted(blobs, key=lambda blob: int(blob.name.split("_")[2].split(".")[0]))
text = ""
for blob in blobs:
    if blob.name.startswith("sumiful_mp4_") and blob.name.endswith(".wav"):
        # Transcribe the audio file
        text += transcribe_audio(blob, bucket_name)

各音声ファイルが文字起こしされ、それぞれのテキストがtext変数に追加されていきます。

3. 文字起こしした文章をテキストファイルとして保存する

最後に、纏めたテキストをテキストファイルとして保存します。後で参照して、議事録を作成します。

	with open("text_file_path", "w", encoding="utf-8") as f:
	    f.write(text)

まとめ

本記事では、議事録作成システムの開発における「文字起こし」に焦点をあてて説明しました。GoogleのSpeech to TextのAPIを使用して、非同期処理で文字起こしを行い、テキストファイルとして保存しました。今回で、議事録作成のための準備ができました。次回は、このテキストデータを使用して議事録を作成する方法について説明します。