MENU
      Login
          Login
          目次 x
          Object Storageファイルの認識
            目次

            Object Storageファイルの認識

              記事の要約

              Classic/VPC環境で利用できます。

              NAVERクラウドプラットフォームの Object Storageにアップロードしたオーディオ/ビデオファイルの固有の URLを呼び出して認識し、テキストに変換します。

              リクエスト

              リクエスト形式を説明します。リクエスト形式は次の通りです。

              メソッドURI
              POST/recognizer/object-storage

              リクエストヘッダ

              CLOVA Speech APIで共通して使用されるヘッダの詳細は、CLOVA Speechの共通ヘッダをご参照ください。

              リクエストボディ

              リクエストボディの説明は次の通りです。

              フィールドタイプ必須の有無説明
              datakeyStringRequiredオーディオ/ビデオファイルの保存先の Object Storageパス
              • Domain作成時に「認識対象の保存パス」の下位項目から入力
                • <例> Object Storageのパスが「/data/sample.wav」で、Domain作成時に指定された認識対象の保存パスが「/data」の場合: "dataKey": "/sample.wav"
              languageStringRequiredテキスト認識言語
              • ko-KR(デフォルト) | en-US | enko | ja | zh-cn | zh-tw
                • ko-kR: 韓国語
                • en-US: 英語
                • enko: 韓国語/英語を同時認識
                • ja: 日本語
                • zh-cn: 中国語(簡体字)
                • zh-tw: 中国語(繁体字)
              completionStringOptional認識リクエスト後のレスポンス方法
              • sync | async(デフォルト)
                • sync(同期): 結果を JSON形式で返す
                • async(非同期): Callback URLまたはresultToObs (ObjectStorage)形式で返す
              callbackStringConditionalCallback URL
              • completionがasyncの場合、callbackまたはresultToObsのうちどちらかは必ず入力
              userdataObjectOptionalユーザーデータの詳細情報
              wordAlignmentBooleanOptional認識結果の音声とテキストをソートして出力するかどうか
              • true(デフォルト) | false
                • true: 出力
                • false: 出力しない
              fullTextBooleanOptional認識結果の全テキストを出力するかどうか
              • true(デフォルト) | false
                • true: 出力
                • false: 出力しない
              resultToObsBooleanConditionalObject Storageに結果を保存するかどうか
              • true | false(デフォルト)
                • true: 結果を保存
                • false: 結果を保存しない
              • completionがasyncの場合、callbackまたはresultToObsのうちどちらかは必ず入力
              noiseFilteringBooleanOptionalノイズフィルタリングの有無
              • true(デフォルト) | false
                • true: フィルタリングは動作
                • false: フィルタリングは動作しない
              boostingsArrayOptionalキーワードブーストの詳細情報
              • 音声認識率を上げるキーワードリスト
              • useDomainBoostingsと同時使用はできない
              • 最大1,000個まで入力可能
              • ハングル、英語のみサポート
                • 英語: 基本的に小文字に変換、大文字キーワードブーストのリクエスト時は大文字に置換
              • 1音節の単語は誤認識のリスクがあるため、ブーストをサポートしない
                • <例> はい, うん, no
              • スペースの有無に関係なくブースト処理
                • <例> 「クローバースピーチ」と「クローバー スピーチ」のうちどちらか1つのキーワードのみブーストをリクエスト
              • キーワードの長さの制限はないが、ブーストする対象が複数の単語が組み合わされた語句である場合、その語句でなければブーストの影響を受けにくい
                • <例> 「クローバースピーチ」というキーワードをブーストする場合、「クローバースピーチ」を含むすべての文はブーストの影響を受ける
                • <例> 「クローバースピーチのメディア音声認識技術」という組み合わせの長いキーワードをブーストする場合、「クローバースピーチ」だけ含む文はブーストの影響を受けにくい
              useDomainBoostingsBooleanOptionalドメインブーストの使用有無
              • true | false(デフォルト)
                • true: ブーストを使用
                • false: ブーストを使用しない
              • boostingsと同時使用はできない
              forbiddensStringOptional要注意キーワード
              • 音声認識率を下げるキーワードリスト(認識結果に表示したくない場合)
              • キーワード数と長さの制限なし
              • スペース、英字の大文字・小文字のいずれも完全一致が必要
              diarizationObjectOptional話者認識の詳細設定
              diarization.enableBooleanOptional話者認識するかどうか
              • true(デフォルト) | false
                • true: 話者を認識
                • false: 話者を認識しない
              sedObjectOptionalイベント検知結果の詳細情報
              sed.enableBooleanOptionalイベント検知するかどうか
              • true | false(デフォルト)
                • true: イベントを検知
                • false: イベントを検知しない
              formatStringOptionalレスポンス結果を返す形式
              • JSON(デフォルト) | SRT | SMI

              boostings

              boostingsの説明は次の通りです。

              フィールドタイプ必須の有無説明
              wordsStringOptionalキーワードブースト対象の単語リスト
              参考

              completion(リクエスト後のレスポンス方式)をasyncにしてリクエストすると、入力した Callback URLアドレスの有無や resultToObs(ObjectStorage)の有無に応じて認識結果を次のように返します。

              Callback URLresultToObs(ObjectStorage)結果
              URLアドレスありTrueCallback URLと Object Storageの両方に結果を返す
              URLアドレスありFalseCallback URLにのみ結果を返す
              URLアドレスなしTrueObject Storageにのみ結果を返す
              URLアドレスなしFalseエラーを返す

              リクエスト例

              リクエストのサンプルコードは次の通りです。

              curl --location --request POST 'https://clovaspeech-gw.ncloud.com/external/v1/88**/5f7e1b4c866f1c60594****************/recognizer/object-storage' \
--header 'Content-Type: application/json' \
--header 'X-CLOVASPEECH-API-KEY: {アプリの登録時に発行された Secret Key}' \
--data '{
    "dataKey": "{file}.mp3",
    "language": "ko-KR",
    "completion":"sync",
    "callback": "",
    "fullText": true,
    "boostings": [
        {
            "words": "comma separated words"
        }
    ],
    "forbiddens": "comma separated words"
}'
              Shell

              レスポンス

              レスポンス形式を説明します。

              レスポンスボディ

              レスポンスボディの説明は次の通りです。

              フィールドタイプ必須の有無説明
              resultString-レスポンスコード
              messageString-レスポンスメッセージ
              tokenString-結果トークン
              versionString-エンジンバージョン
              paramsObject-パラメータの詳細情報
              params.serviceString-サービスコード
              params.domainString-ドメインのタイプ
              • エンジンの呼び出し時に使用
              • general
              params.langString-認識言語
              • ko | en | enko | ja | zh-cn | zh-tw
                • ko: 韓国語
                • en: 英語
                • enko: 韓国語/英語を同時に翻訳
                • ja: 日本語
                • zh-cn: 中国語(簡体字)
                • zh-tw: 中国語(繁体字)
              params.completionString-レスポンス方法
              • sync(同期): 結果を JSON形式で返す
              • async(非同期): Callback URLまたはresultToObs (ObjectStorage)形式で返す
              params.callbackString-Callback URL
              params.diarizationObject-話者認識の詳細情報
              params.diarization.enableBoolean-話者認識するかどうか
              • true | false
                • true: 話者を認識
                • false: 話者を認識しない
              params.diarization.speakerCountMinInteger-最小話者数
              params.diarization.speakerCountMaxInteger-最大話者数
              params.sedObject-イベント検知結果
              params.sed.enableBoolean-イベント検知するかどうか
              • true | false(デフォルト)
                • true: イベントを検知
                • false: イベントを検知しない
              params.boostingsArray-キーワードブーストの詳細情報
              params.forbiddensString-要注意キーワード
              params.wordAlignmentBooleanOptional認識結果の音声とテキストをソートして出力するかどうか
              • true(デフォルト) | false
                • true: 出力
                • false: 出力しない
              params.fullTextBoolean-認識結果の全テキストを出力するかどうか
              • true(デフォルト) | false
                • true: 出力
                • false: 出力しない
              params.noiseFilteringBoolean-ノイズフィルタリングの有無
              • true(デフォルト) | false
                • true: フィルタリングは動作
                • false: フィルタリングは動作しない
              params.resultToObsBoolean-Object Storageに結果を保存するかどうか
              • completionがasyncの場合にのみ動作
              • true | false(デフォルト)
                • true: 結果を保存
                • false: 結果を保存しない
              params.priorityInteger-優先順位
              • 0~4
              • 低いほど優先順位が高い
              params.userdataObject-ユーザーデータの詳細情報
              params.userdata._ncp_DomainCodeString-ドメインコード
              • long-speech | short-speech
                • long-speech: 長文認識
                • short-speech: 短文認識
              params.userdata._ncp_DomainIdInteger-ドメイン ID
              params.userdata._ncp_TaskIdInteger-タスク ID
              • 具体的な認識タスクのトレース時に使用
              params.userdata._ncp_TraceIdString-トレース ID
              • ログのトレース時に使用
              progressInteger-認識進捗率
              segmentsArray-segmentsの詳細情報
              textString-全テキスト
              confidenceDouble-全体の精度
              speakersArray-全話者の詳細情報
              eventsArray-イベントの詳細情報
              eventTypesArray-認識された全イベントの詳細情報

              params.boostings

              params.boostingsの説明は次の通りです。

              フィールドタイプ必須の有無説明
              wordsString-キーワードブースト対象の単語リスト

              segments

              segmentsの説明は次の通りです。

              フィールドタイプ必須の有無説明
              startLong-分析開始時刻(ms)
              endLong-分析終了時刻(ms)
              textString-分析テキスト
              confidenceDouble-分析の精度
              • 0.0~1.0
              diarizationObject-認識された話者の詳細情報
              diarization.labelString-認識された話者の番号
              speakerObject-変更後の話者の詳細情報
              speaker.labelString-変更後の話者の番号
              speaker.nameString-変更後の話者の名前
              speaker.editedBoolean-話者は変更されたかどうか
              • true | false(デフォルト)
                • true: 話者を変更
                • false: 同じ話者
              wordsArray<Long, Long, String>-認識された単語リスト
              words.[0]Long-セグメント開始時刻(ms)
              words.[1]Long-セグメント終了時刻(ms)
              words.[2]String-セグメントテキスト
              textEditedString-変更後の内容

              speakers

              speakersの説明は次の通りです。

              フィールドタイプ必須の有無説明
              labelString-すべての話者の番号
              nameString-すべての話者の名前
              editedBoolean-話者は変更されたかどうか
              • true | false(デフォルト)
                • true: 話者を変更
                • false: 同じ話者

              events

              eventsの説明は次の通りです。

              フィールドタイプ必須の有無説明
              typeString-イベントタイプ
              labelString-イベント名
              labelEditedString-変更後のイベント名
              startLong-イベントの開始時刻
              endLong-イベントの終了時刻

              eventTypes

              eventTypesの説明は次の通りです。

              フィールドタイプ必須の有無説明
              labelString-認識されたイベント

              レスポンスステータスコード

              CLOVA Speech APIで共通して使用されるレスポンスステータスコードの詳細は、CLOVA Speechの共通レスポンスステータスコードをご参照ください。

              レスポンス例

              レスポンスのサンプルコードは次の通りです。

              asyncでリクエストして jsonで返す

              asyncでリクエストして json形式で返すレスポンスのサンプルコードは次の通りです。

              {
    "token": "{token}",
    "result": "SUCCEEDED",
    "message": "Succeeded"
}
              JSON

              syncでリクエストして jsonで返す

              syncでリクエストして json形式で返すレスポンスのサンプルコードは次の通りです。

              {
    "result": "COMPLETED",
    "message": "Succeeded",
    "token": "{token}",
    "version": "ncp_v2_v2.3.0-aa6cd8d-20231205_231211-3cf30bfc_v0.0.0_",
    "params": {
        "service": "ncp",
        "domain": "general",
        "lang": "enko",
        "completion": "sync",
        "callback": "",
        "diarization": {
            "enable": true,
            "speakerCountMin": -1,
            "speakerCountMax": -1
        },
        "sed": {
            "enable": true
        },
        "boostings": [
            {
                "words": "こんにちは。テスト"
            }
        ],
        "forbiddens": "",
        "wordAlignment": true,
        "fullText": true,
        "noiseFiltering": true,
        "resultToObs": false,
        "priority": 0,
        "userdata": {
            "_ncp_DomainCode": "NEST",
            "_ncp_DomainId": 1,
            "_ncp_TaskId": **442,
            "_ncp_TraceId": "*****ce98ec342d8a8c8fe9191cec343",
            "id": 1
        }
    },
    "progress": 100,
    "keywords": {},
    "segments": [
        {
            "start": 5870,
            "end": 8160,
            "text": "ソウルのプールです。",
            "confidence": 0.9626975,
            "diarization": {
                "label": "2"
            },
            "speaker": {
                "label": "2",
                "name": "B",
                "edited": false
            },
            "words": [
                [
                    5871,
                    6730,
                    "ソウル"
                ],
                [
                    6860,
                    7530,
                    "プールです。"
                ]
            ],
            "textEdited": "ソウルのプールです。"
        },
        {
            "start": 8160,
            "end": 12950,
            "text": "入場料はいくらですか? 5千ウォンです。ありがとうございます。",
            "confidence": 0.8835926,
            "diarization": {
                "label": "1"
            },
            "speaker": {
                "label": "1",
                "name": "A",
                "edited": false
            },
            "words": [
                [
                    8161,
                    9220,
                    "入場料は"
                ],
                [
                    9390,
                    10020,
                    "いくらですか?"
                ],
                [
                    10410,
                    10640,
                    "5千"
                ],
                [
                    10710,
                    11140,
                    "ウォンです。"
                ],
                [
                    11910,
                    12500,
                    "ありがとうございます。"
                ]
            ],
            "textEdited": "入場料はいくらですか? 5千ウォンです。ありがとうございます。"
        }
    ],
    "text": "ソウルのプールです。入場料はいくらですか? 5千ウォンです。ありがとうございます。",
    "confidence": 0.9071357,
    "speakers": [
        {
            "label": "1",
            "name": "A",
            "edited": false
        },
        {
            "label": "2",
            "name": "B",
            "edited": false
        }
    ],
    "events": [
        {
            "type": "music",
            "label": "music",
            "labelEdited": "music",
            "start": 1400,
            "end": 5000
        }
    ],
    "eventTypes": [
        "music"
    ]
}
              JSON

              syncでリクエストして srtで返す

              syncでリクエストして srt形式で返すレスポンスのサンプルコードは次の通りです。

              1
00:00:00,000 --> 00:00:01,425
A: 私、この前

2
00:00:02,533 --> 00:00:11,550
A: トウモロコシを食べたんですよ。すごく甘くて美味しかった。てか、私はそれが町の名前だと思ってたんですよ。

3
00:00:11,550 --> 00:00:19,025
A: Chosaierのチョ(超)に、甘いのダン(糖)だったとはね。知らなかった。私、チョダンってチョダン豆腐みたいなものだと思ってた。

4
00:00:19,025 --> 00:00:26,317
C: サッカリンのことを思い出したけど。ふいとね。作家さんはチョダンを召し上がりましたね。

5
00:00:26,317 --> 00:00:28,240
A: トウモロコシにですか?

6
00:00:28,240 --> 00:00:35,318
B: ちょっと、甘い味のする豆腐がどこにあるっていうの? この Doは理解できないな。サンドってチョダン地域じゃないの?

7
00:00:35,318 --> 00:00:42,800
A: いやいや。チョダントウモロコシってスーパースウィートって意味だった。めっちゃ甘いって意味だったとは誰も知らなかったよ。全然。
              Srt

              syncでリクエストして smiで返す

              syncでリクエストして smi形式で返すレスポンスのサンプルコードは次の通りです。

              <SAMI>
<Body>
  <SYNC Start=0>
    <P>A: 私、この前
  <SYNC Start=2533>
    <P>A: トウモロコシを食べたんですよ。すごく甘くて美味しかった。てか、私はそれが町の名前だと思ってたんですよ。
  <SYNC Start=11550>
    <P>A: Chosaierのチョ(超)に、甘いのダン(糖)だったとはね。知らなかった。私、チョダンってチョダン豆腐みたいなものだと思ってた。
  <SYNC Start=19025>
    <P>C: サッカリンのことを思い出したけど。ふいとね。作家さんはチョダンを召し上がりましたね。
  <SYNC Start=26317>
    <P>A: トウモロコシにですか?
  <SYNC Start=28240>
    <P>B: ちょっと、甘い味のする豆腐がどこにあるっていうの? この Doは理解できないな。サンドってチョダン地域じゃないの?
  <SYNC Start=35318>
    <P>A: いやいや。チョダントウモロコシってスーパースウィートって意味だった。めっちゃ甘いって意味だったとは誰も知らなかったよ。全然。
</Body>
</SAMI>
              Smi
              この記事は役に立ちましたか?
              Change password!
              Changing your password will log you out immediately. Use the new password to log back in.
              Change profile
              Success!
              First name must have atleast 2 characters. Numbers and special characters are not allowed.
              Last name must have atleast 1 characters. Numbers and special characters are not allowed.
              Enter a valid email
              Enter a valid password
              Your profile has been successfully updated.
              Logout