AmiVoice APIで不要語（フィラー）を表示するか除去するか選ぶ方法

f:id:amivoice_techblog:20210115094116p:plain 安藤章悟

みなさま、こんにちは。

今日はAmiVoice APIにおけるフィラー（不要語）の扱いについて説明します。

この記事を書こうとしたきっかけ

このようなことがありました（フィクションです）

解説

AmiVoice APIには「えーと」「あのー」などのフィラー（不要語）を自動的に除去するという便利機能があります。しかし、上記のマンガの例のように、フィラーが除去されると困ることもあるかもしれません。

フィラー除去のメリット・デメリットをまとめると以下になります。

メリット
- 不要な文字がなくなり音声認識結果が読みやすくなる
デメリット
- 音声認識結果から細かいニュアンスが失われる恐れがある

デフォルトは除去されるようになっていますが、リクエストパラメータの d パラメータに keepFillerToken=1 を追加することで、フィラーを消さずに出力することが可能になります。

マニュアルのここに記載があります。

実際にやってみた

それでは実際にやってみましょう。AmiVoice APIの使い方はいくつか種類がありますが、今回は短い音声ファイルに向いた同期 HTTP 音声認識 APIを使ってやってみます。

基本的な手順はこちらの記事の通りになります。Windows10環境での説明になります。

記事中盤に、run.bat というファイルを編集するところがありますが、そこで2行目をさらに下記のように書き換えます。ポイントは d パラメータに keepFillerToken=1 を指定しているところです。

curl -X POST https://acp-api.amivoice.com/v1/recognize -F u=%AppKey% -F d="grammarFileNames=-a-general keepFillerToken=1" -F  a=@../../audio/myvoice.mp3 > result.txt

上記のマンガのようなセリフを私が喋った音声（myvoice.mp3）を用意して、この書き換えたrun.batを実行して比較をしてみました。

d パラメータにkeepFillerToken=1を足した場合の音声認識結果
- %えー%%えっとー%%あー%%あのー%僕はいいと思うんですけど、%ん%%まー%%ん%%まー%%まー%いいんじゃないでしょうか
d パラメータに何も入れない場合の音声認識結果
- 僕はいいと思うんですけど、いいんじゃないでしょうか

パラメータの有り無しで、フィラーの出力が変わることが分かります。

また、フィラー単語の前後は半角の「%」で囲まれています。そのため開発者は音声認識結果が出てくる場面ごとにフィラーをどう扱うかを選択できるようになります。