speech-to-text-pipeline/docs/outline.md

speech-to-text-pipeline

音声データをテキストデータへ変換し最終成果物を出力する

ユースケース

• 会議録の音声メモを入力して会議録を作成する
• 音声データからアクションプランや課題を抽出して、レポートを出力する

機能

• 音声フォーマット統一
• チャンク処理
• 音声前処理(ノイズ除去)
• 音声強調
• 話者分別機能(VAD)
• 文字起こし
• テキストファイル出力
• 制度評価
• 精度結果出力

実現する技術

インフラ

• GPU処理
  • Modal
• Pipeライン
  • 検討中

仕様

音声フォーマット統一

• Whisper系やgpt-4o-transcribeの両方ともmono / 16kHz / PCM16 が最適となる