Pythonで学ぶ音声言語処理

音声認識はまだ完璧ではありません。しかし、SpeechRecognitionライブラリを使うと、多くの音声認識APIと手軽に連携できます。このセクションでは、SpeechRecognitionライブラリを使って、音声ファイル中の話し言葉を簡単にテキストへ変換し始める方法を学びます。

音声ファイルは、形やサイズ、フォーマットがすべて同じとは限りません。幸い、James RobertによるPyDubライブラリを使えば、フレームレート、チャンネル数、ファイル形式など、さまざまな属性をプログラムから変更できます。この章では、文字起こしに適した状態にそろえるために、この便利なライブラリの使い方を学びます。

この章では、これまでの学びを統合し、テクノロジー企業のAcme Studios向けに、音声処理の概念実証プロジェクトを作成します。まずはカスタマーサポートの電話音声クリップを文字起こしします。続いて、NLTKによる感情分析、spaCyによる固有表現抽出、scikit-learnによるテキスト分類を、文字起こし結果に対して実行します。