Intelligent Speech Interaction (ISI) は、音声認識、音声合成、自然言語理解などの技術を使用して、アプリケーションに自然な音声インタラクション機能を追加します。インテリジェント Q&A、自動品質検査、リアルタイム法廷文字起こし、ライブ音声字幕、インタビュー文字起こしなどのシナリオをサポートし、金融、司法、E コマースなどの業界で使用されています。
Intelligent Speech Interaction 2.0 が利用可能になりました。自己学習プラットフォームなどのツールにより、音声認識精度が向上します。新バージョンでは、強化されたコンソールとよりユーザーフレンドリーな SDK も提供されます。サービスを有効化してご利用を開始してください。
短文認識
短文認識は、最大 1 分の音声クリップをテキストに変換します。音声検索、音声コマンド、音声メッセージなどの短いインタラクションに適しており、アプリ、スマートホーム機器、インテリジェントアシスタントに統合できます。詳細については、「短文認識 API リファレンス」をご参照ください。
リアルタイム音声認識
リアルタイム音声認識は、任意の長さの音声ストリームをテキストに変換し、音声を受信するとテキストを返します。インテリジェントな文分割に対応しており、各文の開始時刻と終了時刻を返します。ライブビデオ字幕、リアルタイム会議文字起こし、リアルタイム法廷文字起こし、インテリジェント音声アシスタントに適しています。詳細については、「リアルタイム音声認識 API リファレンス」をご参照ください。
録音ファイル認識
録音ファイル認識は、アップロードされた音声ファイルをテキストに変換します。コールセンターの品質検査、法廷裁判記録の データベース登録、会議サマリー、医療記録入力に適しています。詳細については、「録音ファイル認識 API リファレンス」をご参照ください。
無料トライアルユーザーは 24 時間以内に文字起こし結果を受け取ります。有料ユーザーは 3 時間以内に結果を受け取りますが、30 分以内に 500 時間を超える録音がアップロードされた場合は除きます。大規模な文字起こしが必要な場合は、Alibaba Cloud のプリセールス担当者にお問い合わせください。
音声合成
音声合成は、ディープ ラーニングを使用してテキストを自然で流暢な音声に変換します。複数の音声を利用でき、話す速度、ピッチ、音量を調整できます。インテリジェントカスタマーサービス、音声インタラクション、オーディオブックナレーション、アクセシビリティアナウンスに適しています。詳細については、「音声合成 API リファレンス」をご参照ください。
自己学習プラットフォーム
自己学習プラットフォームは、ホットワード と カスタム言語モデル をトレーニングすることで、音声認識精度を向上させます。ホットワードを追加し、ホットワードモデルを使用することで認識結果を改善できます。司法や金融などの分野では、カスタム言語モデルにより、ドメイン固有の音声の認識精度を向上させることができます。
次のステップ
クイックスタート：Intelligent Speech Interaction の利用開始手順。
料金：Intelligent Speech Interaction の課金方法。
開発者ガイド：主要な用語とアクセストークンの取得方法。
コンソールユーザーガイド：コンソールで利用可能な機能。
API リファレンス：短文認識、リアルタイム音声認識、録音ファイル認識、音声合成などのサービス API。
自己学習プラットフォーム：ホットワードとカスタム言語モデルのトレーニングによる認識精度の向上。
ベストプラクティス：一般的なシナリオでの Intelligent Speech Interaction の実装方法。
よくある質問：一般的な問題とその解決策。