初心者向け: Pythonで議事録作成のためのリアルタイム音声認識プログラムを作る

このブログ記事を通じて、プログラミング初心者でもPythonを用いた音声認識プログラムを理解し、実装することができます。プログラムの基本から応用、そしてトラブルシューティングに至るまで、全てを一歩一歩解説していきます。プログラミングの旅に出る準備はできましたか？それでは、一緒に学びましょう！

アイコン名を入力

・プログラミング初心者だけど、議事録の自動作成ができるか不安…
・Pythonは少し使えるけれど、音声認識を使った議事録作成は初めて。何から始めればいい？
・音声認識の基本がわからないけど、これで議事録作成ができるようになるかな？

こんな疑問に答えます。

ブログの対象者

・プログラミングの基礎はあるが、音声認識を使った議事録作成に興味がある方
・手軽に議事録を自動生成したいと考えている方
・Pythonと音声認識の基本を学びたい方

3章にプログラムコードを載せていますので、興味があったら試してみてください。YouTubeで内容の紹介を行っています。

https://youtu.be/JE0rMQspG5A

Contents

第1章: 音声認識と議事録作成の基本
第2章: 必要なツールの準備
第3章: プログラムの解説
第4章: プログラムの実行とトラブルシューティング
第5章: まとめと次のステップ

🚀 0円で現役エンジニアから学べる【Techスクールオンライン】のお申込みをお勧めします。このオンラインスクールでは、現役のエンジニアから直接学ぶことができ、プログラミングの基礎から高度なスキルまでを習得できます。しかも、今なら 0円で受講できるチャンスです。エンジニア転職を考えている方やプログラミングに興味がある方、新しいスキルを習得したい方に特におすすめです。

第1章: 音声認識と議事録作成の基本

音声認識は、口頭で話された言葉をテキストに変換する技術です。この記事では、Pythonのspeech_recognitionライブラリを用いて、リアルタイムでの議事録作成を可能にする方法を解説します。無料でオフラインでも使用できるため、非常に優れております。

音声認識技術は、人間の話す言葉をテキストデータに変換するプロセスです。この章では、音声認識の基本概念と、それを用いた議事録作成の仕組みについて解説します。

1.1 音声認識の基礎理解

音声認識技術は、マイクロフォンを通じて受け取った音声データを解析し、それを書かれたテキストに変換します。このプロセスには、音声のキャプチャ、ノイズの除去、音声の特徴抽出、そして最終的には言語の解析とテキストへの変換が含まれます。

1.2 音声認識技術の進化

近年、音声認識技術は大きく進化しました。特に機械学習と人工知能の進歩により、より正確で迅速な認識が可能になっています。この技術の進歩により、リアルタイムでの議事録作成が現実的になりました。

今回の内容は無料で使用できる、speech_recognitionというライブラリを使用します。OpenAIのAPIと組み合わせることでいろいろな使い方ができます。

1.3 議事録作成における音声認識の役割

議事録作成において、音声認識技術は重要な役割を果たします。会議や講演中の発言をリアルタイムでテキスト化し、それを議事録として文書化することができます。これにより、手書きやタイピングによる記録の手間が省け、効率的な記録管理が可能になります。

1.4 Pythonとspeech_recognitionライブラリ

Pythonは、そのシンプルさと強力なライブラリのため、音声認識プログラムの開発に適しています。特に、speech_recognitionライブラリは、音声認識に必要な機能を簡単に利用できるように設計されています。このライブラリを使用することで、初心者でも比較的短時間で音声認識プログラムを構築できます。

第2章: 必要なツールの準備

議事録を自動で作成するためには、Pythonとspeech_recognitionライブラリ、そしてマイク入力が可能な環境が必要です。Pythonのインストール方法とライブラリのセットアップを簡単に説明します。

Pythonで音声認識を行うために必要なツールとその設定方法について解説します。議事録作成の自動化に必要な基本的な環境構築に焦点を当てます。

2.1 Pythonのインストール

Pythonは多くのオペレーティングシステムで利用できるプログラミング言語です。音声認識プログラムを実行するためには、まずPythonがインストールされている必要があります。Pythonの公式ウェブサイト（python.org）からインストーラーをダウンロードし、指示に従ってインストールします。

2.2 `speech_recognition`ライブラリのインストール

speech_recognition は、Pythonで音声認識を行うための主要なライブラリです。このライブラリをインストールするには、コマンドラインまたはターミナルを開き、以下のコマンドを実行します：

pip install SpeechRecognition

2.3 マイクロフォンのセットアップ

音声認識プログラムを利用するためには、コンピュータにマイクロフォンが接続されている必要があります。多くのノートパソコンには内蔵マイクがありますが、外部マイクを使用する場合は、適切に接続して設定しておく必要があります。

2.4 インターネット接続

本プログラムはGoogleのWeb Speech APIを使用して音声をテキストに変換します。そのため、インターネット接続は必須です。安定した接続を確保することで、音声認識の精度と速度が向上します。

これらのツールとセットアップが完了すれば、Pythonを使用して音声認識プログラムを開発する準備が整います。次の章では、具体的なプログラムのコードとその動作原理について詳しく説明します。

FLACのダウンロード

本プログラムを実行する際に、下記エラーコードが発生しました。

OSError: FLAC conversion utility not available – consider installing the FLAC command line application by running `apt-get install flac` or your operating system’s equivalent

この対処方法を説明します。

動作環境：Python 3.9.18
pyaudio 0.2.14
speechrecognition 3.10.1

まず初めにFLACのインストールが必要ということで下記サイトより、FLCAをダウンロードします。

https://xiph.org/flac/download.html

Windowsなので、これを選択。flac-1.4.3を選択。最新版で問題ないです。

ZIPファイルに保存すると、下記32bit, 64bitが保存されます。

Win64のフォルダをそのまま、Ｃの直下にflacフォルダを作成し移動。

次にパスの設定を行います。システムのプロパティから、環境変数を選択。

Pathをクリックし、編集を選択します。

新規を選択し、先ほど作成した、flacのフォルダ/Win64を新規で追加します。

これでPathの設定は完了です。コマンドプロンプトで、下記コードを入力してください。Versionが表示されれば問題ありません。

”flac -v”とコマンドプロンプトで入力。

これでプログラムを実行したところ、まだ下記エラーが発生しました。

OSError: FLAC conversion utility not available – consider installing the FLAC command line application by running `apt-get install flac` or your operating system’s equivalent

確認したところ、flacの.exeの拡張子を修正する必要がありました。

この対処方法を説明します。Cの直下にflac.exeファイルが保存されています。この.exeを削除する必要がありました。ファイル名称を”flac.exe”⇒”flac”に変更して下さい。
※exe拡張子のないflacを検索しているとのことです。

なので忘れずにこの拡張子を変更してください。Win32を削除したのでこうなったと思います。

では実際に下記コードで問題なく動くか確認してください。

import speech_recognition as sr

listener = sr.Recognizer()
try:
    with sr.Microphone() as source:
        print("Listening...")
        voice = listener.listen(source)
        voice_text = listener.recognize_google(voice)
        print(voice_text)
except:
    print('Sorry, I could not listen')

実際に実行して、マイクに“My name is Satoshi”というとprintされました。

第3章: プログラムの解説

初めにプログラムの全文を記載します。コードもそれほど長くなく、非常に簡単に音声認識を使用できます。

このプログラムを実行すると、マイクに話をして認識したテキストがターミナル上に表示されます。また、”終わり”とマイクにいうとプログラムを終了します。

import speech_recognition as sr

def recognize_speech_continuous():
    # 音声認識器の初期化
    recognizer = sr.Recognizer()

    # マイクからの入力を使用
    with sr.Microphone() as source:
        print("議事録の記録を開始します。話してください...")

        # バックグラウンドノイズに対応するために、環境ノイズを調整
        recognizer.adjust_for_ambient_noise(source)

        while True:
            try:
                # ユーザーの声を記録
                audio = recognizer.listen(source)

                # GoogleのWeb Speech APIを使用して音声をテキストに変換
                text = recognizer.recognize_google(audio, language="ja-JP")
                print("認識したテキスト: " + text)

                # "終わり"という単語でプログラムを終了
                if "終わり" in text or "おわり" in text:
                    print("プログラムを終了します。")
                    break

            except sr.UnknownValueError:
                print("音声を認識できませんでした。")
            except sr.RequestError:
                print("リクエストに失敗しました。インターネット接続を確認してください。")

if __name__ == "__main__":
    recognize_speech_continuous()

3.1 音声認識器の初期化

最初のステップは、speech_recognitionライブラリからRecognizerクラスのインスタンスを作成することです。このインスタンスは、音声認識プロセスの中心となります。

import speech_recognition as sr
recognizer = sr.Recognizer()

3.2 マイクからの入力の設定

音声認識を行うためには、マイクからの入力をプログラムに取り込む必要があります。Microphoneクラスを使用してマイクからの入力を取得し、それを音声認識器に渡します。

with sr.Microphone() as source:
    print("議事録の記録を開始します。話してください…")

3.3 環境ノイズの調整

リアルタイム環境では、背景ノイズが常に存在します。adjust_for_ambient_noiseメソッドを使用して、音声認識器が環境ノイズに適応し、音声のみをより正確に認識できるようにします。

recognizer.adjust_for_ambient_noise(source)

3.4 ユーザーの声の認識と処理

listenメソッドを使用して、マイクからの音声を取得し、その音声をテキストに変換します。ここではGoogleのWeb Speech APIを使用しています。こちらも無料のAPIのため、非常に有用です。

audio = recognizer.listen(source)
text = recognizer.recognize_google(audio, language="ja-JP")
print("認識したテキスト: " + text)

3.5 プログラムの終了条件

ユーザーが特定の単語（例えば「終わり」や「おわり」）を言った場合にプログラムを終了させる機能を実装します。これにより、ユーザーはプログラムをコントロールできるようになります。

if "終わり" in text or "おわり" in text:
    print("プログラムを終了します。")
    break

この章では、Pythonを使ったリアルタイム音声認識プログラムの主要なコンポーネントとその機能について説明しました。次の章では、プログラムの実行方法と、遭遇する可能性のある問題とその解決策について説明します。

第4章: プログラムの実行とトラブルシューティング

プログラムの実行方法と、よくある問題（例えば、音声が認識されない、インターネット接続エラーなど）にどのように対処するかを説明します。

この章では、Pythonで作成したリアルタイム音声認識プログラムの実行方法と、実行中に遭遇する可能性のある一般的な問題およびその解決策について詳しく解説します。

4.1 プログラムの実行方法

プログラムを実行するためには、まずPythonがインストールされていることを確認し、次に作成したスクリプトファイル（例えば test.py）を保存します。コマンドラインまたはターミナルを開き、以下のコマンドを入力してプログラムを実行します。

python test.py

4.2 音声が認識されない問題

音声が認識されない場合、まずマイクの設定を確認します。マイクが正しく接続されており、コンピュータによって認識されているかを確認してください。また、プログラムが正しい音声入力ソースを使用しているかも確認が必要です。

4.3 インターネット接続の問題

このプログラムはGoogleのWeb Speech APIを使用するため、インターネット接続が必要です。接続が不安定または利用できない場合は、音声をテキストに変換することができません。接続を確認し、必要に応じてトラブルシューティングを行ってください。

4.4 エラーハンドリング

プログラム中で、特定のエラー（例えば、UnknownValueErrorやRequestError）をキャッチして適切なメッセージを表示することで、ユーザーが問題の原因を理解しやすくなります。

try:
    # 音声をテキストに変換するコード
except sr.UnknownValueError:
    print("音声を認識できませんでした。")
except sr.RequestError:
    print("リクエストに失敗しました。インターネット接続を確認してください。")