画像・動画・音声 初級
音声認識（STT）
Speech-to-Text
音声を聞き取ってテキストに変換する技術です。会議の議事録づくり、字幕の作成、コールセンターの通話記録などに使われます。
別の呼び方STT、Speech-to-Text、ASR、文字起こし
例オンライン会議の録音を STT で文字起こしし、そのテキストを LLM で要約して議事録にした。
詳しく
- 料金は音声の長さ（1分あたり・1時間あたり）で決まることが多いです。
- 話者ごとに発言を分ける「話者分離」、単語ごとの時刻（タイムスタンプ）、専門用語の登録などの機能があると、議事録や字幕づくりがしやすくなります。
- 録音してから処理する方式と、話しながら逐次変換するリアルタイム方式があります。
- 雑音、複数人の同時発話、方言、固有名詞は誤りが出やすいため、重要な記録は人が確認します。