Amazon Transcribe

解決する課題

会議録やコールセンターの通話、動画の音声を人手で書き起こすのは時間がかかり、コストも一定しません。Amazon Transcribe を使うと、音声を機械学習で自動的にテキスト化できます。

• 録音済みファイルをバッチ処理でまとめて文字起こし
• ライブ配信や通話を**リアルタイム（ストリーミング）**で逐次テキスト化
• 字幕生成、議事録、検索可能なログ、後段の分析（感情分析や要約）への入力に活用

音声認識モデルの学習やインフラ運用を自分で抱えずに、API 呼び出しだけで利用できる点が中心的な価値です。

主要概念と用語

• ASR（自動音声認識）: 音声波形を文字列に変換する技術。Transcribe の中核
• トランスクリプションジョブ: 録音済み音声を非同期で処理するバッチ単位の処理。入力音声は通常 S3 に置き、結果も S3 などへ出力
• ストリーミング文字起こし: マイクや通話の音声を流し込み、結果を逐次受け取る方式。低遅延が求められる用途向け
• 話者分離（ダイアライゼーション）: 「誰がいつ話したか」を区別し、発話を話者ごとにラベル付けする機能
• カスタム語彙: 製品名・人名・専門用語など、標準では誤認識しやすい単語を登録して精度を上げる仕組み
• カスタム言語モデル: 自分のドメインのテキストで学習させ、特定領域の認識精度を高める仕組み
• 語彙フィルタ: 不適切語などを伏字化・除去するためのフィルタ
• 特化版: 通話分析向けの Transcribe Call Analytics、医療向けの Transcribe Medical など、用途特化の派生機能

仕様・制限・クォータ

• 多数の言語に対応し、言語を自動判定するモードも選べる
• 入力は一般的な音声フォーマットに対応。バッチでは入力音声を S3 に配置するのが基本
• 結果は単語ごとのタイムスタンプと信頼度スコアを含む構造化された出力（JSON）として得られる
• バッチジョブの最大音声長や同時実行数、ストリーミングの同時セッション数などにアカウント単位のクォータがあり、引き上げ申請が可能
• 句読点の自動付与、数値の整形（数字表記への正規化）などの後処理機能を備える

具体的な対応言語数・上限値・対応フォーマットは更新されるため、最新の公式ドキュメントで確認してください。

内部の仕組み

利用者から見ると、音声を渡すと AWS 側のマネージドな機械学習モデルが推論を行い、テキストを返すブラックボックスとして扱えます。

• バッチ: 入力音声を S3 から読み込み、ジョブとして非同期処理。完了をポーリングまたは通知で受け取り、出力先から結果を取得する
• ストリーミング: 双方向ストリーミング API に音声チャンクを送り続け、部分的な結果（途中経過）と確定結果を逐次受信する。発話の途中では結果が後から修正されることがある
• カスタム語彙やカスタム言語モデルは、推論時にモデルへ与える補助情報として働き、ドメイン固有語の認識を補正する

モデルの学習やスケーリング、ハードウェアの管理はすべて AWS 側が担います。

設計パターン / ベストプラクティス

• 非同期パイプライン化: S3 への音声アップロードをトリガに Lambda でジョブを起動し、完了通知（EventBridge など）で後続処理へ流す疎結合構成
• 用途で方式を選ぶ: 録音済みコンテンツはバッチ、リアルタイム性が要るライブ字幕や通話はストリーミング
• 精度はまずカスタム語彙から: 固有名詞や専門用語が多い場合、最初にカスタム語彙を整備し、それでも不足ならカスタム言語モデルを検討
• 後段サービスと組み合わせる: 文字起こし結果を Amazon Comprehend で感情分析・キーフレーズ抽出したり、生成 AI で要約したりして価値を高める

運用・監視

• API 呼び出しやジョブの状態は CloudWatch のメトリクス・ログで監視する
• バッチジョブの状態遷移（完了・失敗）を EventBridge で受け取り、後続処理や通知を自動化する
• API 操作の監査証跡は CloudTrail に記録される
• 失敗ジョブはエラー理由（非対応フォーマット、権限不足など）を確認し、入力データと IAM 設定を見直す

コスト

• 課金は基本的に文字起こしした音声の長さ（秒・分）に対する従量制で、サーバーの常時起動費用は発生しない
• バッチとストリーミング、医療向けなどの特化機能で単価が異なる傾向がある
• カスタム言語モデルの学習・利用には追加の費用が伴う場合がある

具体的な単価は変動するため、料金は公式の料金ページで確認してください。短い音声で検証してから本番のボリュームを見積もるのが安全です。

セキュリティ

• アクセス制御は IAM で行い、入出力に使う S3 バケットへの最小権限のみを付与する
• 保存データは S3 側の暗号化（KMS 管理鍵を含む）、転送は TLS で保護する
• 機密音声を扱う場合は、入出力バケットのアクセスポリシーを限定し、語彙フィルタで機微情報の取り扱いにも配慮する
• VPC 内のリソースからプライベートに到達したい場合は VPC エンドポイント経由のアクセスを検討する

Well-Architected の観点

• 運用上の優秀性: マネージドサービスにより運用負荷を下げ、S3・Lambda・EventBridge と組み合わせて文字起こしパイプラインを自動化・可観測化できる
• セキュリティ: IAM の最小権限、保存・転送時の暗号化で機密音声を保護する
• コスト最適化: 従量課金のため、不要な長尺音声の処理を避け、用途に合った方式を選ぶ
• 信頼性: 非同期・疎結合な構成にし、ジョブ失敗時の再試行や通知を組み込む

試験で問われるポイント

関連サービス・比較

テキストを音声に変換する Amazon Polly とは逆方向の関係にあり、混同しやすいため比較します。

ハンズオン / CLI例

# S3 上の音声ファイルをバッチで文字起こしするジョブを開始
aws transcribe start-transcription-job \
  --transcription-job-name demo-job \
  --language-code ja-JP \
  --media MediaFileUri=s3://my-input-bucket/meeting.mp3 \
  --output-bucket-name my-output-bucket

# ジョブの状態を確認（COMPLETED になったら出力先から結果を取得）
aws transcribe get-transcription-job \
  --transcription-job-name demo-job \
  --query "TranscriptionJob.{Status:TranscriptionJobStatus,Uri:Transcript.TranscriptFileUri}"