音声認識と文字起こし

Prepped は 2 つの音声チャンネルを分けて聞きます。システム音声はパソコンで鳴る音、つまり会議アプリの相手で、マイクはあなたです。質問を見つけるのは相手のチャンネルだけです。

Windows 11 では、システム音声は Prepped 以外のすべてのアプリの音で、それぞれのアプリがどのスピーカーやヘッドセットで鳴らしていても聞こえます。会議アプリをヘッドセットに設定し、Windows の既定の出力が別のデバイスでも、相手の声が入ります。Windows 10 では、既定の出力で鳴る音です。

音声が文字になるしくみ

Prepped はオンラインで音声を認識します。方法は設定のデスクトップと音声にある音声認識で選びます。

どちらもクレジットで支払い、1 日の上限に含まれます。会議に独自の上限があるときは、その上限にも含まれます。リアルタイム翻訳をオンにすると、1 時間あたり約 0.50～1.20 米ドルが加わります。Web アプリとスマホ版もオンラインで認識します。ブラウザーでは、聞かれたときに会議のタブか画面を音声付きで共有すると、Prepped が相手の声を聞けます。

言語

オンライン認識は、会議の会議の言語の一覧にあるすべての言語、約 60 の言語に対応しています。会議ごとの会議の言語で、会議で話す言語を設定してください。中国語、広東語、英語、日本語、韓国語、スペイン語、フランス語では、Prepped が認識サービスにその言語を伝えます。

名前と専門用語

Prepped は、参加者の名前や資料に何度も出てくる用語など、会議に出てきそうで、音声認識が予想しにくい言葉を伝えます。これで名前や専門用語が、資料と同じ書き方で文字になります。

オンライン認識では、Soniox は職務記述や履歴書など、会議の資料も背景として聞きます。英語なら約 6,000 文字、日本語や中国語なら約 1,500 文字までです。Prepped のテストでは、資料があると会議のプロジェクト名が正しく認識される回数が大きく増えました（1 時間の会議で Obscuro が 9 回から 24 回）。資料の料金は聞き取りを始めるたびに Soniox からかかり、チャンネルごとに 1 クレジット未満です。

話者

パソコン上では、話者のモデル（NVIDIA Nemotron 3 Diarization、約 107 MB）がシステム音声の声を聞き分けます。文字起こしでは、その会議の間は変わらない番号で示され、確信がないときは不明な話者になります。文字起こしで話者の名前を変えると、その人のすべての発言に反映されます。

会議中に話者のモデルを動かすには遅すぎるパソコンもあります。オンライン認識では、Prepped が聞き取りながら測ります。モデルが音声の長さに近い時間をかけないと追いつかない状態、またはパソコンがほぼ休みなく使われている状態が 2 分続いたとき、あるいは相手の発言がモデルの処理を待ってから回答に渡される状態が続いたときは、その会議の残りの間 Soniox が話者を聞き分けます。追加の料金はかかりません。次の会議では、また話者のモデルから始めます。

ヘッドホンでなくスピーカーを使うと、マイクが相手の声をもう一度拾います。両方の音声チャンネルで重複した発言を取り除く（初期設定でオン）は、相手がいま言ったこととほぼ同じマイクの文字を取り除きます。

文字起こし

会議のページには文字起こし全体が表示されます。同じ人が続けて話した言葉は時刻と話者の付いた 1 つの段落になり、間が空くか話者が替わると次の段落になります。会議のワークスペースの文字起こしタブで文をクリックすると修正でき、修正は履歴を残し、まだ答えていない質問にも反映されます。この文字起こしの中を検索で検索できます。デスクトップアプリで会議の記録をオンにしない限り、元の音声は保存されません。

資料のある会議が終わると、Prepped は会議のプロバイダーの低価格モデル（OpenAI なら GPT-6 Luna）で、資料と一緒に文字起こしをもう一度読み、名前や用語など、音声認識が聞き間違えたところを修正します。それ以外は変えず、あなたが編集した文もそのままです。修正のある段落には会議の資料をもとに修正と表示され、開くと認識された元の文字が見え、認識された文字に戻すでその修正を元に戻せます。GPT-6 Luna では会議 1 時間あたり約 1 クレジットです。資料のない会議は修正しません。Prepped のテストでは、資料なしの修正で文字起こしがかえって悪くなりました。