重要
英語以外の翻訳は便宜上のみ提供されています。 詳細なバージョンについては、このドキュメントのEN-USバージョンを参照してください。
メモ
この記事は情報提供のみを目的としており、法的アドバイスを提供する目的では提供されません。 Speech Services を実装する際には、専門家の法的アドバイスを求めることを強くお勧めします。
この記事では、音声テキスト変換で顧客が提供するデータを処理する方法に関する概要について説明します。 人間が話す音声データと関連するテキスト トランスクリプトは、個人データや機密データと見なされる可能性があることに注意してください。個人データや機密データは、人間の声だけでなく、オーディオの内容も、オーディオが収集されたコンテキストに応じて個人情報が含まれている可能性があるためです。 音声データおよび関連するテキストトランスクリプトは、さまざまな通信法またはその他の法律および規制の下で規制される場合もあります。 重要な注意事項として、お客様は、このテクノロジの実装に責任を負い、データの処理に必要なすべてのアクセス許可、および音声テキスト変換サービスに入力したコンテンツに必要なライセンス、アクセス許可、またはその他の所有権を取得する必要があります。 お客様の管轄区域で適用されるすべての法律および規制を遵守するのは、お客様の責任です。
音声テキスト変換ではどのようなデータが処理されますか?
音声テキスト変換では、次の種類のデータが処理されます。
- オーディオ入力または音声オーディオ: 音声テキスト変換機能はすべて、音声オーディオを音声 SDK/REST API を介してサービス エンドポイントにストリーミングされる入力として受け入れます。 バッチ文字起こしでは、音声入力は顧客から指示されたストレージの場所に送信され、Speech サービスは要求された文字起こしサービスを提供するためにオーディオ入力にアクセスして処理します。 ストレージを指定する方法の詳細については、「 バッチ文字起こしの使用方法」を参照してください。
- 文字起こしテキストの入力: 発音評価では、文字起こしされたテキストが、入力音声オーディオと共に "正しい" テキストとして送信されます。 発音は、入力文字起こしに基づいて評価されます。
- 音声翻訳の文字起こし: 音声翻訳機能を使用すると、生成された音声からテキストへの変換されたテキストは、 Translator サービスを通じて指定された言語に翻訳されます。
テキスト翻訳サービスは、テキストをある言語から別の言語に変換するためにのみ使用されます。 翻訳要求が完了した後、音声サービスによって入力/出力データは保持されません。 テキスト翻訳サービスの詳細については、「 Translator サービスとは」 を参照してください。
ユーザーが音声形式で文字起こしまたは翻訳されたテキストが必要な場合、この機能は出力テキストを テキストに音声に送信します。 繰り返しになりますが、テキスト読み上げデータ処理ではデータは保持されません。
重要
Microsoft 製品またはサービスを使用して生体認証データを処理する場合は、(i) 保持期間や破棄に関する通知をデータ主体に提供する責任があります。(ii) データ主体から同意を得る。(iii) 生体認証データを削除する場合は、該当するデータ保護要件に従って、必要に応じてすべて削除します。 ''生体認証データ'' は、GDPR の第 4 条に規定されている意味を持ち、該当する場合は、他のデータ保護要件における同義語となります。
音声テキスト変換でデータを処理する方法
リアルタイム音声テキスト変換
クライアント アプリケーションが音声入力をテキストに送信すると、音声認識エンジンはオーディオを解析してテキストに変換します。 音声テキスト変換では、音響および言語的理解の機能に依存して、音声入力から発声される可能性のある単語や語句を候補として選択します。 文字起こし出力は、オーディオ入力で読み上げられた内容の最適な推論または予測をテキスト形式で表します。
リアルタイムの音声テキスト変換では、オーディオ入力はAzureのサーバー メモリでのみ処理され、保存時にデータは格納されません。 転送中のすべてのデータは、保護のために暗号化されます。 Azure全体のセキュリティとプライバシー保護の詳細については、「Trusted Cloud: セキュリティ、プライバシー、コンプライアンス、回復性、IP」を参照してください。
バッチ文字起こし
バッチ文字起こしでは、音声サービスが文字起こし出力にアクセスし、処理し、提供するために、音声入力テキスト ファイルと出力文字起こしテキスト ファイルの両方の選択した保存場所を指定します。 お客様は、このようなデータの保持を含め、このデータのストレージを制御します。 お客様は、"timeToLive" というパラメーターを使用して、生成された文字起こしテキスト ファイルの保持時間を設定できます。 詳細については、「 バッチ文字起こし -- 構成プロパティ 」を参照してください。
各音声テキスト変換機能のデータ フローを参照してください。
話者分離/識別
この機能は、リアルタイム API とバッチ API の両方で使用できます。 お客様がスピーカーの分離 (diarization) オプション (既定では無効) を有効にすると、音声テキスト変換エンジンは、音声入力から固有の音声特性信号を分析して抽出し、話者間でオーディオを区別します。 これらの音声特性信号は、話者 1 (Guest-1) または Speaker 2 (Guest-2) のテキストの横にあるマーカーで文字起こし出力に注釈を付ける目的でのみ使用され、一時的に保持されます。 プロセスが完了すると、スピーカーを分離するために使用されるすべての信号データが破棄されます。 スピーカー分離機能は、1 つのオーディオ ファイル内の 2 つ以上のスピーカーの分離をサポートします。 Speaker Separation では、話者 ID 認識の登録や、複数のオーディオ ファイル間で一意の話者を追跡する機能はサポートされていません。
言語検出
言語検出は音声認識に似ていますが、このモデルでは音素と言語の間のマッピングの確率が計算される点が異なります。 各言語には、言語を特徴付ける特定の音素と音素の組み合わせがあります。 言語検出モデルは、音素の特性を識別して、入力音声で使用される言語の可能性を計算します。
音声翻訳
音声翻訳を使用する場合、まず、音声入力を使用して、音声からテキストへの機械文字起こしテキストを生成します。 その後、機械で文字起こしされたテキストがテキスト翻訳サービスに送信され、テキストが (ソース言語で) 別の言語に変換されます。 お客様がオーディオ形式で翻訳されたテキストを必要とする場合、この機能は翻訳されたテキストを テキストに音声に送信できます。 お客様には、翻訳されたテキストのみまたは翻訳された音声出力を生成するオプションがあります。
音声コンテナー
音声コンテナーを使用すると、お客様は Docker コンテナーを使用して Speech Services API を独自の環境にデプロイします。 すべての音声コンポーネントは顧客の制御された環境で実行されるため、オーディオ データ入力と文字起こし出力は顧客のコンテナー内で処理され、クラウドベースの音声サービスには送信されません。 詳細については、 Speech Service API の Docker コンテナーのインストールと実行 に関するページを参照してください。
音声コンテナー内の顧客のデータのセキュリティ
顧客データのセキュリティは共有責任です。 音声コンテナーなど、Azure AI コンテナーのセキュリティ モデルの詳細については、Foundry Tools コンテナーのセキュリティを参照してください。
エッジ デバイスやネットワークなど、オンプレミスにある音声コンテナーを運用するために必要な機器とインフラストラクチャをセキュリティで保護し、維持する責任があります。
Microsoftのプライバシーとセキュリティのコミットメントの詳細については、Microsoft セキュリティ センターを参照してください。
データストレージとリテンション期間
データ トレースなし
リアルタイムの音声テキスト変換、高速文字起こし、発音評価、音声翻訳を実行する場合、Microsoftは顧客から提供されたデータを保持または格納しません。 バッチ文字起こしでは、お客様はオーディオ入力を送信する独自のストレージの場所を指定します。 生成された文字起こしテキストは、お客様独自のストレージに格納することも、ストレージが指定されていない場合はMicrosoftストレージに格納することもできます。 出力文字起こしがMicrosoftストレージに格納されている場合、お客様は削除 API を呼び出すか、timeToLive パラメーターを設定して、指定した時間内にデータを自動的に削除することで、データを削除できます。 詳細については、「 バッチ文字起こしを使用する方法 - Speech Service - Foundry Tools」を参照してください。
Microsoftのプライバシーとセキュリティのコミットメントの詳細については、Microsoft Trust Center を参照してください。