Alibaba Cloud Model Studio:認識精度の向上

カスタムホットワードとコンテキスト強化の比較

Model Studio の音声認識では、専門用語を扱うための 2 つのアプローチを提供しています。対応するモデルとインターフェイスがそれぞれ異なります：

対応モデルとリージョン

クイックスタート

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

# 北京とシンガポールのリージョンでは API キーが異なります。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 dashscope.api_key = "sk-xxx" に置き換えてください
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。"{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。"{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 = "fun-asr-realtime"

my_vocabulary = [
    {"text": "Speech Laboratory", "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,
                              vocabulary_id=vocabulary_id)
        result = recognition.call('asr_example.wav')
        print(result.output)
finally:
    # 認識が成功したかどうかに関わらず、クォータを占有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 {
    // 北京とシンガポールのリージョンでは API キーが異なります。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 public static String apiKey = "sk-xxx" に置き換えてください
    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。"{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。"{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 = "fun-asr-realtime";

        JsonArray vocabularyJson = new JsonArray();
        List<Hotword> wordList = new ArrayList<>();
        wordList.add(new Hotword("Speech Laboratory", 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("asr_example.wav")));
                } catch (Exception e) {
                    e.printStackTrace();
                } finally {
                    // WebSocket 接続を閉じます
                    recognizer.getDuplexApi().close(1000, "bye");
                }
            }
        } finally {
            // 認識が成功したかどうかに関わらず、クォータを占有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;
    }
}

ホットワードのフォーマット

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プロパティを定義します。語彙リスト (API では vocabulary と呼ばれます) は、これらのホットワードを特定のモデルで使用するためにグループ化します。

例：映画のタイトルの認識精度を向上させます。

[
    {"text": "Seediq Bale", "weight": 4, "lang": "en"},
    {"text": "Goodbye Mr. Loser", "weight": 4, "lang": "en"},
    {"text": "Confucius' Family", "weight": 4, "lang": "en"}
]

フィールドの説明：

ホットワードのパフォーマンスチューニング

制限と課金

対応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、事前に作成するリソースは不要です。音声認識リクエストでコンテキストパラメーターを渡すだけで利用できます。

• 非リアルタイム音声認識： HTTP リクエストの input.messages に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。

ユースケース： 会話の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、製品用語などの専門用語の文字起こし精度を大幅に向上できます。この機能は、次のシナリオに対応しています。

• 単語リストによる強化： user (input_text) を介してドメイン固有の単語リストや用語を渡し、モデルが専門用語を正確に認識できるようにします。

• マルチターン会話コンテキスト： ASR と大規模言語モデルを組み合わせた音声対話シナリオでは、以前の認識結果 (user / input_text) とモデルの応答 (assistant / text) を渡すことで、現在のターンの認識精度を向上できます。

{
    "model": "fun-asr-flash-2026-06-15",
    "input": {
        "messages": [
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_text",
                        "text": "Kubernetes Istio Envoy サービスメッシュ サイドカープロキシ"
                    }
                ]
            },
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_audio",
                        "input_audio": {
                            "data": "認識対象の現在の音声のオーディオ URL または Base64"
                        }
                    }
                ]
            }
        ]
    },
    "parameters": {}
}

{
    "model": "fun-asr-flash-2026-06-15",
    "input": {
        "messages": [
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_text",
                        "text": "以前のユーザーの発話認識結果"
                    }
                ]
            },
            {
                "role": "assistant",
                "content": [
                    {
                        "type": "text",
                        "text": "以前のモデルの応答内容"
                    }
                ]
            },
            {
                "role": "user",
                "content": [
                    {
                        "type": "input_audio",
                        "input_audio": {
                            "data": "認識対象の現在の音声のオーディオ URL または Base64"
                        }
                    }
                ]
            }
        ]
    },
    "parameters": {}
}

効果例

text フィールドのフォーマットは柔軟で、単語リスト、自然言語の段落、またはその混在を指定できます。無関係なテキストが含まれていても許容範囲が広いです。

音声クリップは、次のように正しく認識される必要があります。

上記の例では、「Bulge Bracket」などの用語を含む単語リストまたは自然言語の段落を text フィールドに追加することで、強化の効果が得られます。

Q：ホットワードを使用しても認識精度が向上しないのはなぜですか？

以下の項目を順に確認してください：

1. モデルのミスマッチ：リストの作成時に指定した 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。不一致があってもエラーは発生せず、認識結果は返されますが、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. 非対応モデル：モデルは Fun-ASR または Paraformer ファミリーに属している必要があります。他のファミリーはホットワードをサポートしていません。非対応のモデルで API を呼び出してもエラーは返されませんが、結果が空になるか、ホットワードが適用されない可能性があります。SenseVoice などのモデルを使用している場合は、まずこの点を確認してください。

3. 不適切な重み：重みを 4 から 5 に増やし、結果を確認してください。音声的に類似した単語がホットワードとして誤認識され始めた場合は、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：Query API を使用して、status が OK であることを確認してください。

Q：ホットワードは、リアルタイム音声認識とファイルベースの音声認識で使い方が異なりますか？

ホットワードリストの作成方法は同じですが、呼び出し方法が異なります：

• リアルタイム音声認識：Recognition または WebSocket 接続のパラメーターで vocabulary_id を渡します。

• ファイルベースの音声認識：文字起こしリクエストのパラメーターで vocabulary_id を渡します。

どちらの場合も、target_model は API 呼び出しで使用される音声認識モデルと一致する必要があります。

Q：ホットワード以外で認識精度を向上させるにはどうすればよいですか？

ホットワードとコンテキスト強化に加えて、以下を検討してください：

• 音質：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、音声テキスト変換モデル選択ガイドをご参照ください。

• 言語の指定：language_hints を通じて音声言語を宣言することで、単一言語のシナリオでの精度が向上します。