Custom Speech のトレーニングデータセットとテストデータセットをアップロードする

[アーティクル]
09/19/2024

音声認識の正確性をテストする場合、またはカスタムモデルをトレーニングする場合は、オーディオまたはテキストのデータが必要です。モデルのテストまたはトレーニングでサポートされるデータ型の詳細については、「データセットのトレーニングとテスト」を参照してください。

ヒント

オンライン文字起こしエディターを使用して、ラベル付けされたオーディオデータセットを作成および調整することもできます。

データセットをアップロードする

Speech Studio で独自のデータセットをアップロードするには、次の手順を実行します。

Speech Studio にサインインします。
[Custom Speech]> [プロジェクト名] >[音声データセット]>[データのアップロード] を選択します。
[トレーニングデータ]または [テストデータ] タブを選択します。
データセットの種類を選択し、[次へ] を選択します。
データセットの場所を指定し、[次へ] を選択します。ローカルファイルを選択するか、Azure BLOB URL などのリモートの場所を入力できます。リモートの場所を選択し、信頼された Azure サービスのセキュリティメカニズムを使用しない場合、そのリモートの場所は単純な匿名 GET 要求で取得することができる URL である必要があります。たとえば、SAS URL やパブリックにアクセス可能な URL などです。追加の承認が必要な URL、またはユーザー操作が必要な URL はサポートされていません。

Note

Azure BLOB URL を使用する場合は、信頼された Azure サービスのセキュリティメカニズムを使用することで、データセットファイルの最高のセキュリティを確保できます。データセットファイルのバッチ文字起こしとプレーンストレージアカウント URL の場合と同じ手法を使用します。詳細については、こちらを参照してください。
データセットの名前と説明を入力し、[次へ] を選択します。
設定を確認し、[保存して閉じる] を選択します。

データセットがアップロードされたら、[カスタムモデルのトレーニング] ページに移動して、カスタムモデルをトレーニングします

Speech CLI と Speech-to-text REST API を使う場合、Speech Studio とは異なり、アップロード時にデータセットがテスト用かトレーニング用かを選ぶ必要はありません。モデルのトレーニング、テストの実行のときにデータセットをどのように使うかを指定します。

テスト用かトレーニング用かを示す必要はありませんが、データセットの種類を指定する必要があります。データセットの種類は、作成するデータセットの種類を決定するために使われます。場合によっては、データセットの種類はテスト用またはトレーニング用にのみ使われることもありますが、それに依存しないようにしてください。 Speech CLI と REST API の kind 値は、次の表で説明するように Speech Studio のオプションに対応しています。

CLI と API の種類	Speech Studio のオプション
音響	トレーニングデータ: 音声 + 人間がラベル付けしたトランスクリプトテストデータ: トランスクリプト (自動音声合成) テストデータ: 音声 + 人間がラベル付けしたトランスクリプト
AudioFiles	テストデータ: 音声
Language	トレーニングデータ: プレーンテキスト
LanguageMarkdown	トレーニングデータ: マークダウン形式の構造化テキスト
発音	トレーニングデータ: 発音
OutputFormatting	トレーニングデータ: 出力形式

重要

Speech CLI または REST API を使用してデータファイルを直接アップロードすることはありません。まず、Speech CLI または REST API がアクセスできる URL にトレーニングまたはテストデータセットファイルを保存します。データファイルをアップロードしたら、Speech CLI または REST API を使用して、カスタム音声テストまたはトレーニング用のデータセットを作成できます。

データセットを作成し、既存のプロジェクトに接続するには、spx csr dataset create コマンドを使います。次の手順に従って要求パラメーターを作成します。

project パラメーターを既存のプロジェクトの ID に設定します。 Speech Studio 内でデータセットを表示および管理することもできるため、このパラメーターは推奨されます。 spx csr project list コマンドを実行すると、使用できるプロジェクトを取得できます。
必須の kind パラメーターを設定します。トレーニングデータセットの種類に使用できる値のセットは、Acoustic、AudioFiles、Language、LanguageMarkdown、Pronunciation です。
必須の contentUrl パラメーターを設定します。このパラメーターは、データセットの場所です。信頼された Azure サービスのセキュリティメカニズムを使用しない場合 (次の注を参照)、contentUrl パラメーターは単純な匿名 GET 要求で取得できる URL である必要があります。たとえば、SAS URL やパブリックにアクセス可能な URL などです。追加の承認が必要な URL、またはユーザー操作が必要な URL はサポートされていません。

Note

Azure BLOB URL を使用する場合は、信頼された Azure サービスのセキュリティメカニズムを使用することで、データセットファイルの最高のセキュリティを確保できます。データセットファイルのバッチ文字起こしとプレーンストレージアカウント URL の場合と同じ手法を使用します。詳細については、こちらを参照してください。
必須の language パラメーターを設定します。データセットのロケールは、プロジェクトのロケールと一致する必要があります。ロケールを後から変更することはできません。 Speech CLI language パラメーターは、JSON 要求と応答の locale プロパティに対応します。
必須の name パラメーターを設定します。このパラメーターは、Speech Studio に表示される名前です。 Speech CLI name パラメーターは、JSON 要求と応答の displayName プロパティに対応します。

データセットを作成し、既存のプロジェクトに接続する Speech CLI コマンドの例を次に示します。

spx csr dataset create --api-version v3.2 --kind "Acoustic" --name "My Acoustic Dataset" --description "My Acoustic Dataset Description" --project YourProjectId --content YourContentUrl --language "en-US"

次の形式で応答本文を受け取る必要があります。

{
  "self": "https://eastus.api.cognitive.microsoft.com/speechtotext/v3.2/datasets/23b6554d-21f9-4df1-89cb-f84510ac8d23",
  "kind": "Acoustic",
  "links": {
    "files": "https://eastus.api.cognitive.microsoft.com/speechtotext/v3.2/datasets/23b6554d-21f9-4df1-89cb-f84510ac8d23/files"
  },
  "project": {
    "self": "https://eastus.api.cognitive.microsoft.com/speechtotext/v3.2/projects/0198f569-cc11-4099-a0e8-9d55bc3d0c52"
  },
  "properties": {
    "textNormalizationKind": "Default",
    "acceptedLineCount": 2,
    "rejectedLineCount": 0,
    "duration": "PT59S"
  },
  "lastActionDateTime": "2024-07-14T17:36:30Z",
  "status": "Succeeded",
  "createdDateTime": "2024-07-14T17:36:14Z",
  "locale": "en-US",
  "displayName": "My Acoustic Dataset",
  "description": "My Acoustic Dataset Description",
  "customProperties": {
    "PortalAPIVersion": "3"
  }
}

応答本文の最上位の self プロパティはデータセットの URI です。この URI を使って、データセットのプロジェクトとファイルに関する詳細を取得します。また、この URI は、データセットの更新または削除にも使います。

データセットに関する Speech CLI ヘルプを表示するには、次のコマンドを実行します。

spx help csr dataset

CLI と API の種類	Speech Studio のオプション
音響	トレーニングデータ: 音声 + 人間がラベル付けしたトランスクリプトテストデータ: トランスクリプト (自動音声合成) テストデータ: 音声 + 人間がラベル付けしたトランスクリプト
AudioFiles	テストデータ: 音声
Language	トレーニングデータ: プレーンテキスト
LanguageMarkdown	トレーニングデータ: マークダウン形式の構造化テキスト
発音	トレーニングデータ: 発音
OutputFormatting	トレーニングデータ: 出力形式

重要

データセットを作成して既存のプロジェクトに接続するには、Speech to text REST API の Datasets_Create 操作を使います。次の手順に従って要求本文を作成します。

project プロパティを既存のプロジェクトの URI に設定します。 Speech Studio 内でデータセットを表示および管理することもできるため、このプロパティは推奨されます。 Projects_List 要求を行うと、使用できるプロジェクトを取得できます。
必須の kind プロパティを設定します。トレーニングデータセットの種類に使用できる値のセットは、Acoustic、AudioFiles、Language、LanguageMarkdown、Pronunciation です。
必須の contentUrl プロパティを設定します。このプロパティは、データセットの場所です。信頼された Azure サービスのセキュリティメカニズムを使用しない場合 (次の注を参照)、contentUrl パラメーターは単純な匿名 GET 要求で取得できる URL である必要があります。たとえば、SAS URL やパブリックにアクセス可能な URL などです。追加の承認が必要な URL、またはユーザー操作が必要な URL はサポートされていません。

Note

Azure BLOB URL を使用する場合は、信頼された Azure サービスのセキュリティメカニズムを使用することで、データセットファイルの最高のセキュリティを確保できます。データセットファイルのバッチ文字起こしとプレーンストレージアカウント URL の場合と同じ手法を使用します。詳細については、こちらを参照してください。
必須の locale プロパティを設定します。データセットのロケールは、プロジェクトのロケールと一致する必要があります。ロケールを後から変更することはできません。
必須の displayName プロパティを設定します。このプロパティは、Speech Studio に表示される名前です。

HTTP POST 要求は、次の例に示すように URI を使用して行います。 YourSubscriptionKey は実際の Speech リソースキーに、YourServiceRegion は実際の Speech リソースリージョンに置き換えたうえで、前述のように要求本文のプロパティを設定してください。

curl -v -X POST -H "Ocp-Apim-Subscription-Key: YourSubscriptionKey" -H "Content-Type: application/json" -d '{
  "kind": "Acoustic",
  "displayName": "My Acoustic Dataset",
  "description": "My Acoustic Dataset Description",
  "project": {
    "self": "https://eastus.api.cognitive.microsoft.com/speechtotext/v3.2/projects/0198f569-cc11-4099-a0e8-9d55bc3d0c52"
  },
  "contentUrl": "https://contoso.com/mydatasetlocation",
  "locale": "en-US",
}'  "https://YourServiceRegion.api.cognitive.microsoft.com/speechtotext/v3.2/datasets"

次の形式で応答本文を受け取る必要があります。

{
  "self": "https://eastus.api.cognitive.microsoft.com/speechtotext/v3.2/datasets/23b6554d-21f9-4df1-89cb-f84510ac8d23",
  "kind": "Acoustic",
  "links": {
    "files": "https://eastus.api.cognitive.microsoft.com/speechtotext/v3.2/datasets/23b6554d-21f9-4df1-89cb-f84510ac8d23/files"
  },
  "project": {
    "self": "https://eastus.api.cognitive.microsoft.com/speechtotext/v3.2/projects/0198f569-cc11-4099-a0e8-9d55bc3d0c52"
  },
  "properties": {
    "textNormalizationKind": "Default",
    "acceptedLineCount": 2,
    "rejectedLineCount": 0,
    "duration": "PT59S"
  },
  "lastActionDateTime": "2024-07-14T17:36:30Z",
  "status": "Succeeded",
  "createdDateTime": "2024-07-14T17:36:14Z",
  "locale": "en-US",
  "displayName": "My Acoustic Dataset",
  "description": "My Acoustic Dataset Description",
  "customProperties": {
    "PortalAPIVersion": "3"
  }
}

応答本文の最上位の self プロパティはデータセットの URI です。この URI を使って、データセットのプロジェクトとファイルに関する詳細を取得します。また、データセットの更新または削除にもこの URI を使用します。

重要

REST API または Speech CLI を使用してカスタムモデルをトレーニングおよびテストするために、データセットを Custom Speech プロジェクトに接続する必要はありません。ただし、データセットがどのプロジェクトにも接続されていない場合、Speech Studio でトレーニングまたはテスト用にデータセットを選ぶことはできません。

次の方法で共有

Custom Speech のトレーニングデータセットとテストデータセットをアップロードする

データセットをアップロードする

次の手順

フィードバック

その他のリソース