Alibaba Cloud Model Studio:認識精度の向上

Model Studio の音声認識は、専門用語、製品名、その他のドメイン固有の語彙の認識精度を向上させるために、カスタムホットワードとコンテキスト強化という 2 つの方法を提供します。このトピックでは、それぞれのアプローチの範囲と使用方法について説明します。

概要

製品名、固有名詞、業界用語などのビジネス用語は、モデルの一般的なボキャブラリに含まれていないため、認識精度が低くなる場合があります。Model Studio の音声認識では、こうした用語の認識を改善するために、事前コンパイルホットワード、インスタントホットワード、コンテキスト強化という 3 つの方法を提供しています。

事前コンパイルホットワード、インスタントホットワード、コンテキスト強化の比較

カスタムホットワードには、事前コンパイルホットワードとインスタントホットワードの 2 つの形式があります。次の表では、適用されるモデルと API が異なる 3 つのアプローチを比較します。

前提条件

• API キーを取得し、環境変数として設定してあること。
• DashScope SDK を介してサービスを呼び出すには、最新の SDK をインストールする必要があります。

プリコンパイル済みホットワード

事前にホットワードリストを作成し、そのリスト ID を取得して、認識時にその ID を渡します。このアプローチは、語彙が既知で比較的安定しており、製品名や医療用語など、複数のリクエストで同じ単語リストを再利用する必要があるシナリオに適しています。

対応モデルとリージョン

クイックスタート

ワークフロー

まずホットワードリストを作成し、次に音声認識時にその ID を参照します。

1. ホットワードリストを作成します。

   create-hotword-list API を呼び出します。このリストが属する音声認識モデルを示すために、target_model (Java では targetModel) を指定する必要があります。

   すでにホットワードリストがある場合 (list-all-hotword-lists API で確認できます)、この手順はスキップしてください。

2. 音声認識 API を呼び出し、ホットワードリスト ID を渡します。

   認識に使用するモデルは、リスト作成時に指定した target_model (Java では targetModel) と一致している必要があります。一致しない場合、ホットワードは適用されません。

サンプルコード

エンドツーエンドの例： ホットワードリストを作成し、音声認識を実行し、リストを削除します。

import dashscope
from dashscope.audio.asr import *
import os

# API キーは北京リージョンとシンガポールリージョンで異なります。API キーの取得： https://www.alibabacloud.com/help/model-studio/get-api-key
# 環境変数が設定されていない場合は、次の行を置き換えてください: dashscope.api_key = "sk-xxx"
dashscope.api_key = os.environ.get('DASHSCOPE_API_KEY')

# 以下はシンガポールリージョンの設定です。呼び出し時には、"{WorkspaceId}" を実際のワークスペース ID に置き換えてください。設定はリージョンによって異なります。
dashscope.base_http_api_url = 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1'

# 以下はシンガポールリージョンの設定です。呼び出し時には、"{WorkspaceId}" を実際のワークスペース ID に置き換えてください。設定はリージョンによって異なります。
dashscope.base_websocket_api_url = 'wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/inference'
prefix = 'testpfx'
target_model = "qwen-audio-3.0-asr-flash-streaming"

my_vocabulary = [
    {"text": "Speech Lab", "weight": 4}
]

service = VocabularyService()
vocabulary_id = service.create_vocabulary(
      prefix=prefix,
      target_model=target_model,
      vocabulary=my_vocabulary)

try:
    if service.query_vocabulary(vocabulary_id)['status'] == 'OK':
        recognition = Recognition(model=target_model,
                              format='wav',
                              sample_rate=16000,
                              callback=None)
        result = recognition.call('{YOUR_AUDIO_FILE}', phrase_id=vocabulary_id)
        print(result.output)
finally:
    # 認識の成否にかかわらず、クォータを消費しないようにホットワードリストを削除します
    service.delete_vocabulary(vocabulary_id)

import com.alibaba.dashscope.audio.asr.recognition.Recognition;
import com.alibaba.dashscope.audio.asr.recognition.RecognitionParam;
import com.alibaba.dashscope.audio.asr.vocabulary.Vocabulary;
import com.alibaba.dashscope.audio.asr.vocabulary.VocabularyService;
import com.alibaba.dashscope.exception.InputRequiredException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.utils.Constants;
import com.google.gson.JsonArray;
import com.google.gson.JsonObject;

import java.io.File;
import java.util.ArrayList;
import java.util.List;

public class Main {
    // API キーは北京リージョンとシンガポールリージョンで異なります。API キーの取得： https://www.alibabacloud.com/help/model-studio/get-api-key
    // 環境変数が設定されていない場合は、次の行を置き換えてください: public static String apiKey = "sk-xxx"
    public static String apiKey = System.getenv("DASHSCOPE_API_KEY");

    public static void main(String[] args) throws NoApiKeyException, InputRequiredException {
        // 以下はシンガポールリージョンの設定です。呼び出し時には、"{WorkspaceId}" を実際のワークスペース ID に置き換えてください。設定はリージョンによって異なります。
        Constants.baseHttpApiUrl = "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1";
        // 以下はシンガポールリージョンの設定です。呼び出し時には、"{WorkspaceId}" を実際のワークスペース ID に置き換えてください。設定はリージョンによって異なります。
        Constants.baseWebsocketApiUrl = "wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/inference";

        String targetModel = "qwen-audio-3.0-asr-flash-streaming";

        JsonArray vocabularyJson = new JsonArray();
        List<Hotword> wordList = new ArrayList<>();
        wordList.add(new Hotword("Speech Lab", 4));

        for (Hotword word : wordList) {
            JsonObject jsonObject = new JsonObject();
            jsonObject.addProperty("text", word.text);
            jsonObject.addProperty("weight", word.weight);
            vocabularyJson.add(jsonObject);
        }

        VocabularyService service = new VocabularyService(apiKey);
        Vocabulary vocabulary = service.createVocabulary(targetModel, "testpfx", vocabularyJson);

        try {
            if ("OK".equals(service.queryVocabulary(vocabulary.getVocabularyId()).getStatus())) {
                Recognition recognizer = new Recognition();
                RecognitionParam param =
                        RecognitionParam.builder()
                                .model(targetModel)
                                .apiKey(apiKey)
                                .format("wav")
                                .sampleRate(16000)
                                .vocabularyId(vocabulary.getVocabularyId())
                                .build();

                try {
                    System.out.println("Recognition result: " + recognizer.call(param, new File("{YOUR_AUDIO_FILE}")));
                } catch (Exception e) {
                    e.printStackTrace();
                } finally {
                    // WebSocket 接続を閉じます
                    recognizer.getDuplexApi().close(1000, "bye");
                }
            }
        } finally {
            // 認識の成否にかかわらず、クォータを消費しないようにホットワードリストを削除します
            service.deleteVocabulary(vocabulary.getVocabularyId());
        }
        System.exit(0);
    }
}

class Hotword {
    String text;
    int weight;

    public Hotword(String text, int weight) {
        this.text = text;
        this.weight = weight;
    }
}

ホットワードの形式

ホットワードは JSON 配列として送信します。各要素は単一のホットワードとその属性を定義します。

例： 映画のタイトルの認識精度を向上させる場合。

[
    {"text": "Warriors of the Rainbow: Seediq Bale", "weight": 4, "lang": "en"},
    {"text": "Seediq Bale", "weight": 4, "lang": "en"},
    {"text": "Goodbye Mr. Loser", "weight": 4, "lang": "en"},
    {"text": "Never Say Die", "weight": 4, "lang": "en"},
    {"text": "Confucius Family", "weight": 4, "lang": "en"},
    {"text": "Confucius' Family", "weight": 4, "lang": "en"}
]

フィールドの説明：

インスタントホットワード

即時ホットワードは、認識リクエストで vocabulary キーバリューペアとして直接渡されます。 これらは本質的に、事前コンパイル済みホットワードで使用される単語リストと同じ、重み付けされたホットワードのセットです。 ただし、リクエストにインラインで渡されるため、事前に作成されたリストは必要ありません。 これは、一時的なセッションレベルのホットワードチューニングに適しています。

サポート対象のモデルとリージョン

クイックスタート

認識リクエストの parameters に vocabulary を渡します。ホットワードリストは不要です。各 API の詳細な使用方法については、音声テキスト変換 の API リファレンスをご参照ください。

例 (非リアルタイム音声認識)：

curl --location --request POST 'https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
     --header "Authorization: Bearer $DASHSCOPE_API_KEY" \
     --header "Content-Type: application/json" \
     --header "X-DashScope-SSE: disable" \
     --data '{
    "model": "qwen-audio-3.0-asr-flash",
    "input": {
        "messages": [
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_audio",
                        "input_audio": {
                            "data": "https://dashscope.oss-cn-beijing.aliyuncs.com/samples/audio/paraformer/hello_world_female2.wav"
                        }
                    }
                ]
            }
        ]
    },
    "parameters": {
        "format": "wav",
        "sample_rate": "16000",
        "vocabulary": {"John": 5, "Jane": 5}
    }
}'

ホットワードの形式

インスタントホットワードは、JSON オブジェクト (キーと値のペア) として渡します。キーはホットワードテキスト (文字列)、値はホットワードの重み (整数) です。ホットワードテキストのルールについては、「ホットワードテキストのルール」をご参照ください。

例：

{"Michael": 5, "Jennifer": 5, "Speech Lab": 50}

重みの範囲は [1, 5] または 50 です。[1, 5] の値は通常のホットワードを表し、値が大きいほど優先度が高くなります。50 はスーパーホットワードを表し、再現率を大幅に向上させます。スーパーホットワードは最大 50 個まで設定できます。重みの調整については、「ホットワードの重みの調整」をご参照ください。

ホットワードの調整とルール

以下のホットワードのテキストルールと調整のヒントは、事前コンパイル済みホットワードと即時ホットワードの両方に適用されます。

ホットワードのテキストルール

ホットワードは実在する単語である必要があります。以下の文字数制限が適用されます。

• 非 ASCII 文字を含む場合： 合計文字数 (中国語の漢字、日本語のかな、韓国語のハングル、キリル文字などの非 ASCII 文字と、ASCII 文字の合計) は 15 を超えてはなりません。

  例：

  • ✅ "厄洛替尼盐酸盐" (7 文字)
  • ✅ "EGFR抑制剂" (7 文字、EGFR は 4 つの ASCII 文字としてカウントされます)
  • ✅ "こんにちは" (5 文字)
  • ✅ "Фенибут Белфарм" (15 文字、中間のスペースを含む)
  • ❌ "Клофелин Белмедпрепараты" (24 文字)

• ASCII 文字のみの場合： スペースで分割した後のセグメント数は 7 を超えてはなりません。

  例：

  • ✅ "Exothermic reaction" → 2 セグメント
  • ✅ "Human immunodeficiency virus type 1" → 5 セグメント
  • ❌ "The effect of temperature variations on enzyme activity in biochemical reactions" → 11 セグメント

ホットワードの重みの調整

重みは、モデルがホットワードをどの程度優先するかを制御します。適切に設定することで、ターゲット単語の認識精度を向上させながら、誤認識を回避できます。

weight=4 でテストを開始し、結果に基づいて調整します。

スーパーホットワード (weight=50): 事前コンパイル済みホットワードとインスタントホットワードの両方がスーパーホットワードをサポートしていますが、対応しているのは Qwen-Audio-3.0-ASR-Flash-Streaming、Qwen-Audio-3.0-ASR-Flash-Filetrans、および Qwen-Audio-3.0-ASR-Flash モデルシリーズのみです。 ウェイトを 50 に設定すると、再現率が大幅に向上します。 スーパーホットワードは最大 50 個まで設定できます。

設計に関する推奨事項

• シナリオ別にグループ化： 異なるビジネスシナリオ (医療用語用のグループと製品名用のグループなど) ごとにホットワードを個別に整理し、メンテナンスと再利用を簡素化します。事前コンパイル済みホットワードの場合は、シナリオごとに個別のホットワードリストを作成します。
• 言語の混在 (事前コンパイル済みホットワード)： 単一のホットワードリストに異なる言語のホットワードを混在させることができ、lang フィールドで区別されます。認識時に language_hints を指定すると、その言語のホットワードのみが有効になります。
• 定期的なクリーンアップ (事前コンパイル済みホットワード)： 使用しなくなったホットワードリストを削除して、クォータ (アカウントごとに最大 10 個) を解放します。

ホットワードの制限と課金

コンテキスト強化

サポート対象のモデルとリージョン

クイックスタート

コンテキスト強化では、事前に作成されたリソースは不要です。認識リクエストでコンテキスト パラメーターを直接渡します。

• 非リアルタイム音声認識： HTTP リクエストの input.messages でコンテキストメッセージを渡します。音声メッセージの前に配置します。
• リアルタイム音声認識： WebSocket の run-task イベントの input.context でコンテキストメッセージを渡します。タスクの実行中にコンテキストを更新するには、continue-task イベントを送信します。DashScope SDK はこのプロトコルをラップしており、対応するパラメーターを使用してコンテキストを渡すことができます。

ユースケース： 会話履歴やドメイン用語をコンテキストとして渡すことで、人名、地名、製品名などの固有名詞の文字起こし精度が大幅に向上します。コンテキストは、マルチターン会話履歴 (前のターンの認識結果とモデルの応答) または単にドメイン用語や単語リストのセットとして使用できます。

{
    "model": "qwen-audio-3.0-asr-flash",
    "input": {
        "messages": [
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_text",
                        "text": "前のターンのユーザー発話の認識結果"
                    }
                ]
            },
            {
                "role": "assistant",
                "content": [
                    {
                        "type": "text",
                        "text": "前のターンの大規模モデルの応答内容"
                    }
                ]
            },
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_audio",
                        "input_audio": {
                            "data": "現在のターンで認識対象となる音声のURLまたはBase64"
                        }
                    }
                ]
            }
        ]
    },
    "parameters": {}
}

{
    "header": {
        "action": "run-task",
        "task_id": "2bf83b9a-xxxx-xxxx-xxxx-xxxxxxxxxxxx",
        "streaming": "duplex"
    },
    "payload": {
        "task_group": "audio",
        "task": "asr",
        "function": "recognition",
        "model": "qwen-audio-3.0-asr-flash-streaming",
        "parameters": {
            "format": "pcm",
            "sample_rate": 16000
        },
        "input": {
            "context": [
                {
                    "role": "user",
                    "content": [
                        {
                            "type": "input_text",
                            "text": "前のターンのユーザー発話の認識結果"
                        }
                    ]
                },
                {
                    "role": "assistant",
                    "content": [
                        {
                            "type": "text",
                            "text": "前のターンの大規模モデルの応答内容"
                        }
                    ]
                }
            ]
        }
    }
}

from dashscope.audio.asr import Recognition

recognition = Recognition(
    model='qwen-audio-3.0-asr-flash-streaming',
    format='wav',
    sample_rate=16000,
    callback=None)

context = {
    "context": [
        {
            "role": "user",
            "content": [
                {
                    "type": "input_text",
                    "text": "前のターンのユーザー発話の認識結果"
                }
            ]
        },
        {
            "role": "assistant",
            "content": [
                {
                    "type": "text",
                    "text": "前のターンの大規模モデルの応答内容"
                }
            ]
        }
    ]
}

result = recognition.call('audio.wav', raw_input=context)
print(result.output)

Map<String, Object> userContent = new HashMap<>();
userContent.put("type", "input_text");
userContent.put("text", "前のターンのユーザー発話の認識結果");

Map<String, Object> assistantContent = new HashMap<>();
assistantContent.put("type", "text");
assistantContent.put("text", "前のターンの大規模モデルの応答内容");

Map<String, Object> userMessage = new HashMap<>();
userMessage.put("role", "user");
userMessage.put("content", Arrays.asList(userContent));

Map<String, Object> assistantMessage = new HashMap<>();
assistantMessage.put("role", "assistant");
assistantMessage.put("content", Arrays.asList(assistantContent));

Map<String, Object> input = new HashMap<>();
input.put("context", Arrays.asList(userMessage, assistantMessage));

RecognitionParam param = RecognitionParam.builder()
        .model("qwen-audio-3.0-asr-flash-streaming")
        .format("wav")
        .sampleRate(16000)
        .input(input)
        .build();

Recognition recognizer = new Recognition();
System.out.println(recognizer.call(param, new File("audio.wav")));
recognizer.getDuplexApi().close(1000, "bye");

例

コンテキストの text フィールドは、単語リスト、自然言語の段落、またはその両方の混在など、柔軟なフォーマットに対応しており、無関係なテキストに対する許容性も高いです。

ある音声クリップの正しい認識結果は「How many of the insider jargon terms in the investment banking world do you know? First, the nine major foreign investment banks—Bulge Bracket, BB ...」です。

この強化を実現するには、コンテキストの text フィールドに「Bulge Bracket」などの専門用語を含む単語リストまたは自然言語の段落を追加します。

API リファレンス

• プリコンパイル済みホットワード API リファレンス
• リアルタイム音声認識 - Qwen-Audio-ASR-Streaming/Fun-ASR-Realtime API リファレンス
• リアルタイム音声認識 - Qwen-ASR API リファレンス
• リアルタイム音声認識 - Paraformer API リファレンス
• 非リアルタイム音声認識 - Qwen-Audio-ASR-Filetrans/Fun-ASR API リファレンス
• 非リアルタイム音声認識 - Qwen-Audio-ASR/Fun-ASR-Flash API リファレンス
• 非リアルタイム音声認識 - Qwen-ASR API リファレンス
• 非リアルタイム音声認識 - Paraformer API リファレンス

よくある質問

Q：ホットワードを設定しても認識精度が向上しないのはなぜですか？

次の点を順にご確認ください：

1. モデルの一致 (事前コンパイル済みホットワード)：ホットワードリストを作成する際に指定した target_model は、音声認識 API で使用されるモデルと一致する必要があります。両者が一致しない場合、API はエラーを返さず、認識は引き続き結果を返しますが、ホットワードは有効になりません。結果に期待されるホットワードが含まれていない場合は、まずこの点を確認してください。
2. モデルのサポート
3. 重み：重みを 4 から 5 に上げて効果を確認してください。似た発音の単語がホットワードとして誤認識される場合は、4 に戻してください。
4. ホットワードリストのステータス (事前コンパイル済みホットワード)：クエリ API を使用して、status が OK であることを確認してください。

Q：事前コンパイル済みホットワードは、リアルタイム音声認識と非リアルタイム音声認識で同じように使用されますか？

作成方法は同じですが、呼び出し方が異なります：

• リアルタイム音声認識：認識または WebSocket 接続パラメーターで vocabulary_id を渡します。
• 音声ファイルの文字起こし：文字起こしリクエストパラメーターで vocabulary_id を渡します。

どちらの場合も、target_model は実際に呼び出す音声認識モデルと一致する必要があります。即時ホットワードはリストも target_model も不要で、リクエストパラメーターで vocabulary のキーと値のペアを渡すだけです。即時ホットワードをサポートする Qwen-Audio-3.0-ASR-Flash-Streaming、Qwen-Audio-3.0-ASR-Flash-Filetrans、および Qwen-Audio-3.0-ASR-Flash モデルシリーズでは、両方が設定されている場合、システムは事前コンパイル済みホットワードと即時ホットワードをマージします。マージされたセットに 2,000 を超えるホットワードが含まれている場合、システムはランダムに 2,000 を選択して使用します。

Q：ホットワードとコンテキスト強化以外に、認識精度を向上させる方法はありますか？

次の方法で最適化することもできます：

• 音声品質：サンプリングレートをモデルの要件 (16 kHz または 8 kHz) に合わせ、バックグラウンドノイズを低減してください。
• 適切なモデルの選択：シナリオによって適したモデルは異なります。詳細については、「音声テキスト変換」の選択ガイドをご参照ください。
• 言語の指定：単一言語のシナリオで精度を向上させるには、language_hints を介して音声言語を宣言してください。