Speech-to-Text

アプリケーションのマイクからストリーミングした音声入力や、事前に録音した音声ファイル（インラインや Cloud Storage）から取得した音声入力を API が処理し、音声認識の結果をリアルタイムに受け取ることができます。

ヒントを提供することで、分野特有の用語やあまり使われない単語を音声文字変換するように音声認識をカスタマイズし、特定の単語やフレーズの音声文字変換の精度を向上させることができます。クラスを使用して音声の数字を住所、年、通貨などに自動的に変換します。

オンプレミスの独自のプライベート データセンターで Google の音声認識技術を利用することで、インフラストラクチャと保護された音声データに対する完全な制御を維持できます。使用を開始する方法については、営業担当者までお問い合わせください。

Speech-to-Text はマルチチャネルの状況（ビデオ会議など）で個別のチャネルを認識し、文字起こしにアノテーションを付けて順序を維持できます。

Speech-to-Text はさまざまな環境の雑音の多い音声も正常に処理できます。別途ノイズ キャンセルを行う必要はありません。

音声操作や通話と動画の音声文字変換のために、特定分野の品質要件に合わせて最適化された各種トレーニング済みモデルが用意されており、その中から選択できます。たとえば、拡張通話モデルは 8 kHz のサンプリング レートで録音された通話など、電話通信から発信された音声向けに調整されています。

冒とくフィルタは音声データ内の不適切なコンテンツや職業倫理に反するコンテンツを検出し、テキスト結果の冒とく的な語句をフィルタで除外することができます。

自分の音声データをアップロードし、ノーコードで音声文字変換します。構成の調整を繰り返し、品質を評価します。

Speech-to-Text では、音声文字変換でカンマ、疑問符、ピリオドなどを使用して句読点を正確に入力します。

会話におけるそれぞれの発話がどちらの話者によるものなのかを自動予測することで、各話者の発言内容を把握できます。