Speech to Text

Google Cloud Speech-to-Text (以下、Speech-to-Text)で音声(.wav)から文字起こしをした時にMust use single channel (mono) audio, but WAV header indicates 2 channels.エラーが発生したので対策についてまとめました。 前提 1 人が喋っている動画の文字起こしをしたい ↑ の動画から音声のみを抜き出した.wav を使用する Speech-to-Text の複数チャンネルの扱いについて Speech-to-Text には複数のチャンネルを含む音声を扱えるオプションが存在しています。 電…

同じ話を何度も聴くたびに同じように愛想笑いをするのは心が無になりますよね。まるで魔法少女まどかマギカの世界のように、繰り返されるたびに絶望感を感じます。そういうときは、録音した音声を一語一句テキスト化し、全く同じ話をしていることを認識してもらえば良いと思います。 しかしながら、聞きながらタイピングしてテキストに起こすのは、いかにも残してやろう感が満載であり、心証は良くないですね。それに、話している方はインタビューされている気分でより饒舌になり、話がなかなか終わらなくなるかもしれません。そんなときにうってつけなのが、スマフォなどに搭載されている音声入力です。 これはディープラーニングのモデルを使…

G-gen の佐々木です。当記事では BigQuery 上で機械学習モデルを作成、評価、実行するための機能である BigQuery ML について解説します。 概要 BigQuery とは BigQuery ML とは BigQuery ML の使用方法 ユーザーインターフェース BigQuery Editions クエリのドライラン BigQuery ML でサポートされるモデル 内部モデル 外部モデル インポートされたモデル リモートモデル ユーザーが Vertex AI でデプロイしたモデル Google の生成 AI モデル タスク固有のソリューション 基本的な SQL ステートメント…

最近英語のpodcastを聴き、内容を英語で要約をしたものを音声録音していた。 その音声の使い道がなかったので、こんな感じの英語添削アプリを作成しました。 添削アプリ 録音した音声を添削してくれます。 ことの始めは12月半ばのPythonLadiesの開発合宿で作ることとなり、合宿では70%くらい実装した状態だった。 torichan.hatenadiary.jp アーキテクチャ こんな感じ。個人開発ではAWS Lamdaばっかり使ってたので、たまにはGCPを使ってみようということでGemini+GCPで固めてみた。Cloud runとかはじめて使った。今のところは課金請求とかは来ていない。 …

はじめに Human in the Loop システム概要 ワークフローの解説 ワークフローの分岐 静的・動的なナレッジベースの使い分け 実装手順 用意するもの メールサービスの準備（IMAP有効化） Difyの準備 Google Work Spaceの準備 スプレッドシートの準備 スクリプト概要 GASの準備 実運用 テスト 運用担当者に渡すマニュアルのイメージ さいごに 人にできることはまだあるかい その他 We Are Hiring! はじめに こんにちは、ABEJAでプロジェクトマネージャーをしている服部と申します。これはABEJAアドベントカレンダー2024の24日目の記事です。昨年…

この記事は 食べログアドベントカレンダー2024 の24日目の記事です🎅🎄 食べログ開発本部 技術部のデータサイエンスチームに所属する河村です。 データサイエンスチームは、データとAIを活用してビジネス成長に貢献することをミッションとしており、生成AI技術のサービス活用や業務活用に取り組んでいます。 その1つとして、生成AIを用いた音声対話についても注目しています。 2024年10月にOpenAIがリリースしたRealtime APIを用いて、GPT-4oの音声対話の仕組みを紐解きましたが、調べる前に思っていたことと違っている点もいくつかありました。 ユーザが話す音声をずっとAIが考えながら応…

市場概要 世界の音声認識市場規模は2023年に13億5000万米ドルとなり、2024年から2030年にかけて年平均成長率18.7%で成長すると予測されています。消費者が日常生活にテクノロジーを取り入れるようになるにつれ、音声コマンドを認識し、それに応答するデバイスの需要が急増しています。音声起動アシスタント、Amazon Alexa、Google Homeなどのスマートホームデバイスは一般的になりつつあります。モノのインターネット(IoT)デバイスの普及は、こうしたデバイスがシームレスな対話のために音声認識に依存することが多いため、この傾向をさらに増幅しています。 音声アシスタントやセキュリ…

冬休みの自由研究として何かやりたいとは考えている。が積んだ記事が溜まりすぎている。 データアナリストがネガティブなことを伝えなければならない時に気を付けていること - エニグモ開発者ブログ 意思決定の質を高める支援をする職なのだから、伝えるべきことは伝えつつ、支援ということを忘れないようにしたいね 【AWS re:Invent 2024】RAG 関連の5個のセッションの学びを濃縮してお届けします - カミナシ エンジニアブログ RAG などを活かした LLM サービスを提供する、っていうところでいうと、まだまだ AWS は大変そうだなー Elastic CloudでObservabilityを…

はてなブログ独自の集計による人気記事のランキング。12月8日（日）から12月14日（土）〔2024年12月第2週〕のトップ30です*1。 # タイトル／著者とブックマーク 1 履歴テーブルから最新の1件を取ってくる方法 - そーだいなるらくがき帳 by id:Soudai 2 出社方針変更への拒否反応 - Konifar's ZATSU by id:konifar 3 韓国、ソウルを食べる100時間 - 今夜はいやほい by id:kikuchidesu 4 人に聞いた方が早いかもしれない時に使っているフレーズ - Konifar's ZATSU by id:konifar 5 まったりと英語…

日本語reasoningモデルを作る LLMを悩ませる"Excel文書"をうまく扱う方法 AivisSpeech を試す＆CLI から試せるスクリプトを作成した 【論文】LLM-as-a-Judgeならぬ、Agent-as-a-Judge 〜エージェントでエージェントの評価を行う〜 Engineering Manager CNN < Transformer ? o1 Proを使ってプロダクトのアイデア出しから実装までやってみる！ 【Azure OpenAI × ゼロトラスト】あなたの生成AIアプリを鉄壁のセキュリティで守る実践ガイド Pythonのプロジェクト管理ツール uv のv0.5.3ま…

エンジニアの転職活動戦略と成功事例 ウォーターフォールとアジャイル開発手法に関する考察 インフラエンジニアによるネットワーク障害の経験談と教訓 レガシーシステムのgitレポジトリ調査と効率化手法 データエンジニアの仕事内容とスキル評価に関する考察 Googleによるメガネ型デバイスとGemini 2.0に関する発表 ファイル変換ツールMarkItDownの紹介 Python中級者向けのテクニック集 コンピュータシステムの理論と実装に関する書籍紹介 TypeScriptのDiscriminated UnionとHaskellの代数的データ型の比較 動画生成AI Soraの学習データと著作権問題 …

この記事はdoda Developer Group Advent Calendar 2024の14日目の記事です。 こちらの記事以外にも沢山の記事が掲載されていますので、興味のある方は # doda Developer Group Advent Calendar 2024 で検索してみてください。 目次 目次 はじめに 開発環境 アーキテクチャ チャット画面 Speech to Text Text to Text Text to Speech 完成形 終わりに はじめに 初めまして。パーソルキャリア株式会社のdoda CONNECTエンジニアリンググループ、doda マイクロサービスグループ所…

こちらの記事は Advent Calendar 2024 の 7日目の記事になります。 adventar.org 生成AI研究開発チームのainoyaです。 カケハシでは生成AIを使った更なる薬局業務DXに挑戦しています カケハシでは、生成AIを活用した薬局業務効率化の機能として、薬剤師の音声メモもしくは薬剤師との患者の音声データを文字起こしし、生成AIを使用して薬歴を自動生成するソリューションを現在開発しています。この機能が本当に業務の効率化をもたらすことができるかどうかは、医療用語を含む会話音声が正しく文字起こしできるかがとても重要なポイントです。今回の記事では、 Amazon Trans…