人工知能 (AI) 搭載音声解析

音声文字起こし

ゼオマXeomaの音声認識インテリジェントモジュール

音声文字変換モジュールのアイコン 本モジュールは、カメラや外部マイクからの音声ストリームを「聴取」し、音声を認識してキーワードに反応します。設定に応じて、会話の文字起こし結果をCSVレポートとして保存したり、ライブ映像やアーカイブ上にテキストオーバーレイ表示したりできます。.mp3ファイル(会話の録音や研修動画など)の文字起こしも可能です。

音声文字変換:ゼオマ Xeoma の高度な音声認識モジュール
90以上の文字起こし対応言語
CSVレポートをディスクに保存
ライブストリームおよび.mp3ファイルに対応
AI追加モジュール
重要:本モジュールはベータ版です

重要:ベータ版

本モジュールはXeoma 24.8.12以降で利用可能ですが、現在はベータ版のため、単語の読み飛ばしやループが発生する場合があります。専用機器は不要で、任意のカメラやマイクからの音声ストリームと、GPUを搭載した一般的なPCで動作します。

ユースケース

活用シナリオ

音声文字起こしは、個人生活、都市・市民の安全、商業分野におけるセキュリティ向上に寄与し、ビジネス業務の最適化にも貢献します。

高齢者の見守り

助けを求める叫び声への即時対応や、詐欺被害からの保護を実現します。

あらゆるビジネス

カスタマーサービスの品質管理を自動化します(例:不適切な発言の検出)。

コールセンター

通話録音を文字起こしし、会社方針やトークスクリプトの遵守状況をモニタリングします。

都市監視

テロ対策セキュリティ強化および危険を示唆する言葉の認識を行います。

ペアレンタルコントロール

いじめ防止や詐欺師との接触を検知し、お子様の保護を支援します。

警察

ボディカメラに加え、容疑者との会話を文字起こしし、脅迫的な発言を検出します。

研究および分析

音声関連の研究や語彙使用頻度の分析に向けた統計データをバックグラウンドで収集します。

マーケティング

顧客がプロモーションキャンペーンについて話題にしているか、バナーへの反応はどうかなどを把握できます。

フィルタリングと自動化

不要なフレーズや重要キーワードを検出し、全会話を聴き直すことなく特定の会話を効率的に管理します。

メリット

音声文字起こしモジュールのメリット

専用機器は不要

あらゆるカメラおよびグラフィックボードを搭載した一般的なPCで動作します。

優れた柔軟性

多様な反応(独自プログラミング含む)を設定でき、サードパーティシステムとの連携も可能です。

リアルタイム処理

遅延なくリアルタイムでストリームを処理します。オンプレミスのハードウェアで動作します。

導入しやすいコスト

本モジュールはStandardまたはProライセンスに追加してご購入いただけます。

ワークフロー

動作原理

音声文字変換インテリジェントモジュールを使用したチェインのサンプル
ステップ 1

チェーンの構築

本モジュールは音声ストリームを処理するため、チェーン内に音声ソースが必要です。

  • 音声ソース:カメラ内蔵マイク、または外付けUSB/IPマイク
  • チェーン構成例:「Universal Camera」 – 「Voice-to-Text」 – 「Preview and Archive」
  • 本モジュールのご利用には、ゼオマ Xeoma ProまたはStandardライセンスへの追加ライセンスが必要です
追加AIリソースのダウンロード
ステップ 2

AIリソースのダウンロード

チェーン内の「音声文字起こし」アイコンをクリックしてモジュール設定を開きます。初回設定時に追加リソースのダウンロードが自動開始されます。「Downloading in progress」のメッセージが消えれば準備完了です。

  • 追加リソースにはAI用データセットが含まれており、フェレナソフトFelenasoftサーバーから必要に応じてダウンロードされます
  • リソースは必要な時にのみダウンロードされるため、プログラムのサイズを最小限に抑えられます
AIモデルと文字起こし言語の選択
ステップ 3

認識モデルとキーワードの選択

言語ごとに複数の人工知能 (AI) モデルが用意されており、サイズ、認識精度、ハードウェア負荷が異なります。「音声認識モデル」フィールドで書き起こしの言語を選択し(音声自体の言語指定は不要)、必要に応じて下のフィールドに検出キーワードを指定します。「リアルタイム表示中に認識音声を重ねて表示」と「録画・アーカイブ出力時に認識音声を字幕として保存」のスイッチにより、ライブ映像やアーカイブ映像に書き起こしを重ねて表示できます。

  • 「検出キーワード」 — 指定した単語やフレーズにのみモジュールが反応します
  • ライブプレビューおよびアーカイブへの書き起こしの重ねて表示
  • 「CSVレポートにデータを保存」 — 書き起こしがディスク上のスプレッドシートファイルに保存されます
  • モジュール実行後のアクション設定:録画、通知、コマンド送信
  • %VOICE% マクロは、「HTTPリクエスト送信」、「メール送信」、「アプリケーション実行」モジュールで使用できます
API

外部アプリケーションとの連携

音声文字変換は外部プログラムからも利用可能で、例えばVoIP通話の書き起こしなどに活用できます。モジュールに .mp3 ファイルを渡すだけでテキスト結果を取得できるため、ゼオマ Xeoma やカメラが導入されていないオペレーターの端末でも使用可能です。重要:対応しているのは .mp3 ファイルのみです。

Xeoma API (JSON) を使ったリクエスト例:

curl -F "audio_file=@speech.mp3" "http://192.168.0.67:10090/api?login=Administrator&password=123&speech_recognition=recognition&model=qwen3-asr-1.7b&ttl=10&language=en"

各項目の説明:

  • audio_file=@speech.mp3 — パソコン上の音声ファイルへのパス
  • 192.168.0.67 — ゼオマ Xeoma サーバーのIPアドレス
  • 10090 — ゼオマ Xeoma サーバーのポート番号
  • Administrator / 123 — 管理者ログイン名(固定でAdministrator)とパスワード
  • model=… — 認識モデル(以下のリストを参照)
  • language=en — 書き起こしの言語。実際の発話言語と異なる場合は、指定した言語へ自動翻訳されます

結果をテキストファイルとして保存するには、コマンドの末尾に >savetext.txt を追加します。savetext.txt は任意のテキストファイル名です。

API用 認識モデル一覧:

名称 説明 APIコード
ロシア語 基本 140 MB tone
ロシア語 拡張 句読点対応、215 MB giga
英語 基本 70 MB zipformer
多言語 基本 句読点対応、1 GB、6億パラメータ qwen3-asr-0.6b
多言語拡張版 句読点対応、2.2 GB、17億パラメータ qwen3-asr-1.7b
Gemma4 多言語基本版 句読点対応、2.2 GB、17億パラメータ gemma4-e2b
Gemma4 多言語拡張版 句読点対応、7 GB、120億パラメータ gemma4-12b

言語コード一覧

en — 英語、zh — 中国語、de — ドイツ語、es — スペイン語、ru — ロシア語、ko — 韓国語、fr — フランス語、ja — 日本語、pt — ポルトガル語、tr — トルコ語、pl — ポーランド語、ca — カタルーニャ語、nl — オランダ語、ar — アラビア語、sv — スウェーデン語、it — イタリア語、id — インドネシア語、hi — ヒンディー語、fi — フィンランド語、vi — ベトナム語、he — ヘブライ語、uk — ウクライナ語、el — ギリシャ語、ms — マレー語、cs — チェコ語、ro — ルーマニア語、da — デンマーク語、hu — ハンガリー語、ta — タミル語、no — ノルウェー語、th — タイ語、ur — ウルドゥー語、hr — クロアチア語、bg — ブルガリア語、lt — リトアニア語、la — ラテン語、mi — マオリ語、ml — マラヤーラム語、cy — ウェールズ語、sk — スロバキア語、te — テルグ語、fa — ペルシャ語、lv — ラトビア語、bn — ベンガル語、sr — セルビア語、az — アゼルバイジャン語、sl — スロベニア語、kn — カンナダ語、et — エストニア語、mk — マケドニア語、br — ブルトン語、eu — バスク語、is — アイスランド語、hy — アルメニア語、ne — ネパール語、mn — モンゴル語、bs — ボスニア語、kk — カザフ語、sq — アルバニア語、sw — スワヒリ語、gl — ガリシア語、mr — マラーティー語、pa — パンジャブ語、si — シンハラ語、km — クメール語、sn — ショナ語、yo — ヨルバ語、so — ソマリ語、af — アフリカーンス語、oc — オック語、ka — ジョージア語、be — ベラルーシ語、tg — タジク語、sd — シンド語、gu — グジャラート語、am — アムハラ語、yi — イディッシュ語、lo — ラオ語、uz — ウズベク語、fo — フェロー語、ht — ハイチ・クレオール語、ps — パシュトゥー語、tk — トルクメン語、nn — ニノシュク、mt — マルタ語、sa — サンスクリット語、lb — ルクセンブルク語、my — ミャンマー語、bo — チベット語、tl — タガログ語、mg — マダガスカル語、as — アッサム語、tt — タタール語、haw — ハワイ語、ln — リンガラ語、ha — ハウサ語、ba — バシキール語、jw — ジャワ語、su — スンダ語、yue — 広東語

クイックスタート

テスト方法

1
ゼオマ Xeoma を起動

ダウンロードしてゼオマ Xeomaを起動します。体験版をご利用いただくか、Xeoma Standard/Xeoma Proライセンスおよび「音声文字変換」追加モジュールライセンスを有効化してください。

2
カメラの追加

手動でカメラを追加するか、ゼオマ Xeomaがネットワーク上のカメラを自動検出するまでお待ちください。外部マイクを使用する場合は、「マイク」モジュールを追加し、適切な音声入力ソースを選択します。

3
モジュールの追加

チェーンに「音声文字変換」モジュールを追加し、キーワード検出時のアクションや連続音声の文字起こしを設定します。必要に応じて、カメラ映像や録画データに文字起こし結果を重ねて表示することも可能です。

4
反応の設定

イベント発生時のアクション(CSV保存、モバイル通知など)を設定します。

ゼオマ Xeomaの音声文字変換モジュール設定
体験版には一部機能制限があります。「音声文字変換」の全機能を充分にご検討いただくため、無料デモライセンスのお申し込みをお勧めします。義務を負うことなく、すべての機能を制限なくご利用いただけます。必要なのはメールアドレスのみです。以下のボタンからお気軽にお申し込みください
無料の
デモライセンスを入手
ビデオ

音声文字変換:ゼオマ Xeomaにおける音声認識

無料トライアル

ゼオマ Xeomaを無料で試す

名前とメールアドレスを入力して、無料デモライセンスを入手してください。クレジットカードは不要です。

ゼオマ Xeomaの無料デモライセンスをメールで受け取る

全機能利用可能。即時送信されます。

個人データを含むメールアドレスの使用や、その他の方法での個人データ送信はお控えください。万が一送信された場合、本フォームの送信をもって、個人データの処理に同意したものとみなされます

モジュールを個別要件に合わせて調整する必要がありますか?

その他ご要望はございますか?

既存のモジュールが要件を満たさない場合もご安心ください。必要な機能の有料カスタム開発を行い、ゼオマ Xeomaに追加することが可能です。詳細を見る。

ご不明な点やお困りのことがございましたら、お問い合わせください!喜んでサポートいたします

今すぐ始める

無料デモライセンスで音声テキスト変換をお試しください。クレジットカードや個人データの登録は不要です。