2019年7月26日　藤森雅人

概要

　これは吉田さんからオーダーを受け、基本的に藤森が作成したものです。
　自社開発のラジオ放送局向けDAWに組み込む音声文字起こし機能を実現すべく開発されました。

仕様

　入力：.wav形式の音声ファイルのパスを示すstring型文字列のvectorです。
　出力：.txt形式のテキストファイルです。

　プログラムは、与えたそれぞれの音声の処理をマルチスレッドで行います。
　目安として約 5 分の音声を 12 個与えた場合、約 4〜5 分ほどで全ての処理が完了します。
　テスト環境は次の通りです。

　Windows 10 Pro
　CPU 2.7 GHz Intel Core i5 4 コア
　メモリ　8 GB


技術的詳細

　Speech-to-Text：IBM Watsonで提供されている、音声の文字起こしを行うクラウド機械学習サービス。
　C++ REST SDK：Microsoftのオープンソースソフトウェアで、REST通信一般を扱うC++ライブラリ。
　opus：高い圧縮率で知られるコーデック形式。ファイルフォーマットはogg。

　プログラムを動かすサンドボックスとしてMFCアプリケーションを使用しています。

技術的制約

　curlコマンドでAPIを叩けばアップロードできる大容量wavファイルが、C++ REST SDK経由では503 Internal Server Errorが返ってくる。容量だけでなく再生時間にも上限があるとみられる。ある程度容量が小さければ、サーバがデータを拒否することはない。そこで、プログラムでは再生時間の長い音声を予め短く分割した複数のwavファイルの入力を想定した。

動作の流れ

　.wavファイルのパスの一覧を入力とする。
　↓
＝run_exec_parallel()＝
　要素ごとにパスを取り出して、処理を実行するスレッドを作成する。
　↓
＝スレッドごと＝
＝try_exec_api()＝
　.wavファイルを.opusファイルにconvert()で変換して出力する。
　exec_speech2text_api()を呼び出し、以降の処理が成功するまでループする。
　↓
＝exec_speech2text_api()＝
　ファイルストリームの準備
　HTTPクライアントの準備
　↓
＝APIを叩く＝
＊音声をアップロードする。
　なおレスポンスは全てJSONである。
　↓
　サーバが音声を受理するとジョブを作成する。
＊ジョブが完了しているかどうかはAPIを叩いて確認する。
　2 秒程度スリープしながらAPIを叩き、未完了ならループする。
　↓
　ジョブが完了したらループを抜け、JSONをファイル出力する。
　↓
　終了

＊いずれかのタイミングでサーバからエラーが帰ってきた場合、
　成功するまで一連の処理を繰り返す。