Pythonでの音声認識：主要ライブラリとその使用例

SpeechRecognitionライブラリ

SpeechRecognitionは、Pythonで最もよく使われる音声認識ライブラリの一つです。以下は、基本的な使用方法の例です。

    import speech_recognition as sr

    recognizer = sr.Recognizer()
    with sr.Microphone() as source:
        print("音声を入力してください...")
        audio = recognizer.listen(source)

    try:
        text = recognizer.recognize_google(audio, language='ja-JP')
        print("認識されたテキスト: " + text)
    except sr.UnknownValueError:
        print("音声を認識できませんでした。")
    except sr.RequestError as e:
        print("エラーが発生しました; {0}".format(e))
    

このコードは、マイクからの音声入力をテキストに変換します。

pyttsx3ライブラリ

pyttsx3は、テキストを音声に変換するためのライブラリです。以下は簡単な使用例です。

    import pyttsx3

    engine = pyttsx3.init()
    engine.say("こんにちは、Python!")
    engine.runAndWait()
    

このコードは、指定されたテキストを音声で読み上げます。

PyAudioライブラリ

PyAudioは、Pythonでオーディオ入出力を扱うためのライブラリです。音声認識においては、マイクからの音声データを処理するためによく使用されます。

    import pyaudio
    import wave

    CHUNK = 1024
    FORMAT = pyaudio.paInt16
    CHANNELS = 2
    RATE = 44100
    RECORD_SECONDS = 5
    WAVE_OUTPUT_FILENAME = "output.wav"

    p = pyaudio.PyAudio()

    stream = p.open(format=FORMAT,
                    channels=CHANNELS,
                    rate=RATE,
                    input=True,
                    frames_per_buffer=CHUNK)

    print("録音開始")

    frames = []

    for i in range(0, int(RATE / CHUNK * RECORD_SECONDS)):
        data = stream.read(CHUNK)
        frames.append(data)

    print("録音終了")

    stream.stop_stream()
    stream.close()
    p.terminate()

    wf = wave.open(WAVE_OUTPUT_FILENAME, 'wb')
    wf.setnchannels(CHANNELS)
    wf.setsampwidth(p.get_sample_size(FORMAT))
    wf.setframerate(RATE)
    wf.writeframes(b''.join(frames))
    wf.close()
    

このコードは、指定された秒数だけオーディオを録音し、WAVファイルとして保存します。

まとめ

Pythonでの音声認識は、これらのライブラリを使って多様な方法で実装できます。それぞれのライブラリが提供する機能を理解し、プロジェクトのニーズに合わせて適切なものを選択しましょう。