【AI Shift Advent Calendar 2022】　漢字かな混じりの音声認識結果からの読み仮名推定

pip install pyopenjtalk

import pyopenjtalk

# 読み仮名での出力
pyopenjtalk.g2p("株式会社AI Shiftの杉山です。", kana=True)
# 'カブシキガイシャＡＩ\u3000シフトノスギヤマデス。'

# 音素列での出力
pyopenjtalk.g2p("株式会社AI Shiftの杉山です。")
# 'k a b u sh I k i g a i sh a e i a i pau sh i f U t o n o s u g i y a m a d e s U'

# ジュップンと発話して音声認識結果が「十分」になったと想定
pyopenjtalk.g2p('十分', kana=True)
# 'ジューブン'

# カワノと発話して音声認識結果が「河野」になったと想定
pyopenjtalk.g2p('河野', kana=True)
# 'コーノ'

音声対話の例
システム「お名前を教えてください」
ユーザー「河野(カワノ)です」
システム「コーノさんでよろしいですか？」
ユーザー「いえ、違います。河野(カワノ)です」
システム「コーノさんでよろしいですか？」
ユーザー「もういいです！」

from google.cloud import speech as gs
gs_client = gs.SpeechClient()

speech_file = "YOUR_AUDIO_FILE"

with io.open(speech_file, "rb") as audio_file:
    content = audio_file.read()

audio = gs.RecognitionAudio(content=content)
config = gs.RecognitionConfig(
    encoding=gs.RecognitionConfig.AudioEncoding.LINEAR16,
    sample_rate_hertz=16000,
    language_code="ja-JP",
)

response = gs_client.recognize(config=config, audio=audio)
for result in response.results:
    print(f"{result=}")

# 結果
alternatives {
  transcript: "河野"
  confidence: 0.940834165
}

# 同様のコードは割愛

config = gs.RecognitionConfig(
    encoding=gs.RecognitionConfig.AudioEncoding.LINEAR16,
    sample_rate_hertz=16000,
    language_code="ja-JP",
    enable_word_confidence=True,
)

response = gs_client.recognize(config=config, audio=audio)
for result in response.results:
    print(f"{result=}")

# 「コーノ」と読み上げた音声での認識結果
alternatives {
  transcript: "河野"
  confidence: 0.940834165
  words {
    word: "河野|カワノ,コーノ"
    confidence: 0.922872782
  }
}

# 「カワノ」と読み上げた音声での認識結果
alternatives {
  transcript: "河野"
  confidence: 0.885048866
  words {
    word: "河野|カワノ,コーノ"　# どちらの音声でも読み方候補の順序は変わらず
    confidence: 0.826526582
  }
}

# 同様のコードは割愛

config = gs.RecognitionConfig(
    encoding=gs.RecognitionConfig.AudioEncoding.LINEAR16,
    sample_rate_hertz=16000,
    language_code="ja-JP",
    enable_word_confidence=True,
    max_alternatives=5,
)

response = gs_client.recognize(config=config, audio=audio)
for result in response.results:
    for alt in result.alternatives:
        print(f"{alt.transcript=}")

# 「コーノ」と読み上げた音声での認識候補上位5件
alt.transcript='河野'
alt.transcript='こうの'
alt.transcript='この'
alt.transcript='今日の'
alt.transcript='紅の'

# 「カワノ」と読み上げた音声での認識候補上位5件
alt.transcript='河野'
alt.transcript='川野'
alt.transcript='川の'
alt.transcript='かわの'
alt.transcript='革の'

import MeCab

tagger = MeCab.Tagger()
tagger.parse('河野')
# 河野\tコーノ\tコウノ\tコウノ\t名詞-固有名詞-人名-姓\t\t\t1\nEOS\n'

# MeCabでN-bestの結果を取得する場合(N=3)
tagger.parseNBest(3, '河野').split('\n')
# ['河野\tコーノ\tコウノ\tコウノ\t名詞-固有名詞-人名-姓\t\t\t1', 'EOS',
# '河野\tカワノ\tカワノ\tカワノ\t名詞-固有名詞-人名-姓\t\t\t1', 'EOS',
# '河野\tコーノ\tコウノ\tコウノ\t名詞-固有名詞-地名-一般\t\t\t1', 'EOS', '']