2016年6月29日水曜日

Twilioハンズオン Vol.1に参加してきました。

Twilioハンズオン Vol.1に参加してきました。

セミナーの内容は、以下のリンクを見てもらえればと思います。
Twilioハンズオン Vol.1

なので、ここではセミナーの感想を残します。

まず、一番感じたのは、Twilioの売りってここだったのか!ということに使ってみて気づけました。
それは、
「世界中に電話/SMSできる番号をWeb画面からあっという間に使えるようになるところ」
だと思いました。

例えば、
・海外に出張して、使える電話番号が欲しいとか
・社内のCRMから今すぐクリックtoコールしたいとか
・キャンペーン用の電話番号作って、紹介音声流したいとか
他にもTwilioのページにはこんな使い方紹介されています。

では、実際どのくらい簡単かというと、管理画面の以下から番号を購入するだけ。


アメリカの番号を購入するとSMSもできちゃいます。
それも月額150円~(通話料/送信料は別)。


とは、いっても制約も結構ありました。
ざっくりとは、
・着信にも通話料がかかる(1分1円)
・発信時、相手の呼び出しは最大60秒(越えると切れる)
・最大通話時間は、4時間
・アメリカの番号を使ってSMSするため、SMSの到達率は93%など

また、クラウドサービスであるが故のこんな制約も
・1秒間に発信できるのは1アカウントのみ
・SMS送信できるのは、1番号あたり1秒間1発信(複数番号を購入すると1度に送信することも可能)
などなど

また、開発者目線でいくと、実はAsteriskの方が開発しやすいかもとも感じました。
ただ、これについては、これから参加するハンズオン Vol.2、3で考えが変わるかもしれないです。

最後に
手軽に番号払い出しでこんなに有名なサービスになるんだから、IP-PBXって、使い方はまだまだ、無限に広がる!と思いました。

要は自由な発想!!

Google Cloud Speech API日記(3日目)

<2016/06/29>
新音声ファイル
※私とサポートとの通話の一部です。
(IVR)はい、オプトエスピーでございます。内線番号を押してください。
ピッ、ポッ、パッ
プルルル(呼び出し音5回)
(私)はい、もしもし、おまたせしました。オプトエスピー上原でございます。
(サポート)えー、セールスフォースドットコムサポート担当の西田と申しますが。
(私)はい、お世話になっております。
(サポート)お世話になっております。
(サポート)えー、お電話でご質問を頂きました(あっ、はいはい)売上予測のデータを外部出力することができるか(うん、うん)という件なんです
※45秒で強制的に音声を切っているため中途半端な状態になっています。

[ 解析結果 ]
以下の通り、サーバーエラーとなってしまいました。
30秒にして、リトライしてくれとのことなので、その通りにやってみます。
<!DOCTYPE html>
<html lang=en>
  <meta charset=utf-8>
  <meta name=viewport content="initial-scale=1, minimum-scale=1, width=device-width">
  <title>Error 502 (Server Error)!!1</title>
  <style>
    *{margin:0;padding:0}html,code{font:15px/22px arial,sans-serif}html{background:#fff;color:#222;padding:15px}body{margin:7% auto 0;max-width:390px;min-height:180px;padding:30px 0 15px}* > body{background:url(//www.google.com/images/errors/robot.png) 100% 5px no-repeat;padding-right:205px}p{margin:11px 0 22px;overflow:hidden}ins{color:#777;text-decoration:none}a img{border:0}@media screen and (max-width:772px){body{background:none;margin-top:0;max-width:none;padding-right:0}}#logo{background:url(//www.google.com/images/branding/googlelogo/1x/googlelogo_color_150x54dp.png) no-repeat;margin-left:-5px}@media only screen and (min-resolution:192dpi){#logo{background:url(//www.google.com/images/branding/googlelogo/2x/googlelogo_color_150x54dp.png) no-repeat 0% 0%/100% 100%;-moz-border-image:url(//www.google.com/images/branding/googlelogo/2x/googlelogo_color_150x54dp.png) 0}}@media only screen and (-webkit-min-device-pixel-ratio:2){#logo{background:url(//www.google.com/images/branding/googlelogo/2x/googlelogo_color_150x54dp.png) no-repeat;-webkit-background-size:100% 100%}}#logo{display:inline-block;height:54px;width:150px}
  </style>
  <a href=//www.google.com/><span id=logo aria-label=Google></span></a>
  <p><b>502.</b> <ins>That’s an error.</ins>
  <p>The server encountered a temporary error and could not complete your request.<p>Please try again in 30 seconds.  <ins>That’s all we know.</ins>

[ リトライ ]
音声ファイル
(IVR)はい、オプトエスピーでございます。内線番号を押してください。
ピッ、ポッ、パッ
プルルル(呼び出し音5回)
(私)はい、もしもし、おまたせしました。オプトエスピー上原でございま
※30秒で強制的に音声を切っているため中途半端な状態になっています。

[ 解析結果 ]
結果は、以下の通りです。
はじめて解析したときと同じような結果が返ってきました。
解析結果に自信がないといくつか候補をあげる仕様なのかもしれないです。
最後の私の声が入っていないことから解析を途中で中断しているようにも思えます。
この結果を数日おくとどのようになるか楽しみです。
{
  "responses": [
    {
      "results": [
        {
          "alternatives": [
            {
              "transcript": "ハイ|ハイ 2|ツー,ニ,フタ,フツ,ブタ sp|エスピー で|デ ござい|ゴザイ ます|マス 内線|ナイセン 番号|バンゴー を|オ 教え|オシエ て|テ ください|クダサイ まし|マシ た|タ"
            }
          ],
          "isFinal": true
        }
      ]
    }
  ]
}

2016年6月28日火曜日

音声ファイルクックブック

1. ffmpeg
  1. 音声形式の変換方法まとめ
  2. ffmpegのオプションまとめ
  3. ffprobe Documentation(音声の詳細情報表示)

Google Cloud Speech API日記(2日目)

<2016/06/28>
1.専門用語なし
「今日は8時20分頃出勤しました出勤後メールのチェックを行い8時45分から9時まで車内の掃除をしました」
2.専門用語あり
「アスタリスクはアメリカの bgm 社が開発しているオープンソースの ip pbx ソフトウェア」
 ⇒特に変換はありませんでした。ここまでの結果が返却されてくると当然の結果かと思います。

上記の結果から、音声ファイルをもう少し長いものかつ、実際の通話にしてみようと思います。

新しい音声ファイルでの調査にに入る前に、ここまでの調査で得た予備情報を残しておきます。
※本日は、新しい入力音声を作成中で時間切れとなってしまいました。調査は3日目に持ち越します。
<予備情報>
1. 現時点で音声ファイルの最大録音時間は1分のようです。最大録音時間を越える音声ファイルを送ると以下のようなレスポンスが返却されます。
 $ curl "https://speech.googleapis.com/v1/speech:recognize?key=XXXXXXXXXXXX" --header "Content-Type: application/json" --data '{"initial_request":{"encoding":"FLAC","sample_rate": 44100},"audio_request":{"uri":"gs://XXXXXXX/callRecord1.flac"}}'
{
  "responses": [
    {
      "error": {
        "code": 10,
        "message": "For audio inputs longer than 1 min, use the 'output_uri' pararameter to specify an output file."
      }
    }
  ]
}

2. サンプリングレート(今回は、44,100)が高すぎるとサーバーエラーになるようです。コーデックがflacの場合は、16,000がいいのかも。もう少しマニュアルを熟読してみます。
$ curl "https://speech.googleapis.com/v1/speech:recognize?key=XXXXXXXXXXXX" --header "Content-Type: application/json" --data '{"initial_request":{"encoding":"FLAC","sample_rate": 44100},"audio_request":{"uri":"gs://XXXXXXX/callRecord1_1min.flac"}}'
<!DOCTYPE html>
<html lang=en>
  <meta charset=utf-8>
  <meta name=viewport content="initial-scale=1, minimum-scale=1, width=device-width">
  <title>Error 502 (Server Error)!!1</title>
  <style>
    *{margin:0;padding:0}html,code{font:15px/22px arial,sans-serif}html{background:#fff;color:#222;padding:15px}body{margin:7% auto 0;max-width:390px;min-height:180px;padding:30px 0 15px}* > body{background:url(//www.google.com/images/errors/robot.png) 100% 5px no-repeat;padding-right:205px}p{margin:11px 0 22px;overflow:hidden}ins{color:#777;text-decoration:none}a img{border:0}@media screen and (max-width:772px){body{background:none;margin-top:0;max-width:none;padding-right:0}}#logo{background:url(//www.google.com/images/branding/googlelogo/1x/googlelogo_color_150x54dp.png) no-repeat;margin-left:-5px}@media only screen and (min-resolution:192dpi){#logo{background:url(//www.google.com/images/branding/googlelogo/2x/googlelogo_color_150x54dp.png) no-repeat 0% 0%/100% 100%;-moz-border-image:url(//www.google.com/images/branding/googlelogo/2x/googlelogo_color_150x54dp.png) 0}}@media only screen and (-webkit-min-device-pixel-ratio:2){#logo{background:url(//www.google.com/images/branding/googlelogo/2x/googlelogo_color_150x54dp.png) no-repeat;-webkit-background-size:100% 100%}}#logo{display:inline-block;height:54px;width:150px}
  </style>
  <a href=//www.google.com/><span id=logo aria-label=Google></span></a>
  <p><b>502.</b> <ins>That’s an error.</ins>
  <p>The server encountered a temporary error and could not complete your request.<p>Please try again in 30 seconds.  <ins>That’s all we know.</ins>

2016年6月27日月曜日

Google Cloud Speech API日記(1日目)

<なぜこの日記をつけるのか>
先週金曜日(6/24)に実行したCloud Speech API用のcurlコマンドを、学習がてら再実行した結果が衝撃的だっため、1日を経過する毎に同じ音声の解析結果がどのように変遷していくのかが気になり日記をつけることにしました。

その衝撃の結果は、こちら。
[読み込ませた音声ファイルの内容]
「もしもし、こんにちは、上原久幸です。もしもし、もしもし、1,2,3,4,5,6,7,8,9,10」
⇒音声ファイルの解析結果には、正直あまり期待していなかったため、IVRで使うためのせめて数字の認識はできるよねというところを確認するのが目的でした。

[06/24の解析結果]
※日数が経過すると解析精度があがるとはおもっていなかったため、残念ながら証跡は残していないため、あくまで私の記憶だよりです。
 「もしもし|モシモシ・・・・・・・・もしもしもしもし|モシモシモシモシ12345678910|いちにさんしごろくひちはちきゅういちぜろ|ひゃくにじゅうさんおくよんせんごひゃくろくじゅうなな・・・・・・」
・・・・・・・・は、私が結果を記憶できなかった部分です。上原久幸という固有名詞の影響か意味の通らない結果だったと思います。
また、パイプ(|)は、複数の結果が想定される場合にこのような結果を返すようです。

⇒複数の結果候補をあげてくれるため、これでも使いようによっては面白いという感想でした。

[06/27の解析結果]
「もしもしこんにちは上原久幸でもしもしもしもし12345678910」
⇒"上原久幸です"が"上原久幸で"になっている以外すべて正解。文脈の区切りがないところは気になりますが、それでも先週の結果からの解析結果の向上は衝撃です。

経緯は以上です。それでは以下に1日ごとの解析結果の変遷を残していきます。
音声ファイルのエントリーは以下の2種類とします。
1.専門用語なし
「今日は、8時20分頃出勤しました。出勤後、メールのチェックを行い、8時45分から9時まで社内の掃除をしました。」
2.専門用語あり
「Asteriskは、アメリカのDigium社が開発しているオープンソースのIP-PBXソフトウェアです。」

<2016/06/27>
1.専門用語なし
「今日は8時20分頃出勤しました出勤後メールのチェックを行い8時45分から9時まで車内の掃除をしました」
2.専門用語あり
「アスタリスクはアメリカの bgm 社が開発しているオープンソースの ip pbx ソフトウェア」
⇒思いのほか完璧な結果が返ってきてしまいました。(bgmなんて私の発音の問題の気もします)
⇒日々の学習結果向上というよりは、バージョンアップがあったのかもと思わせる初日の結果です。とりあえず、一日に割り当てられる作業時間となったため、今日はここまでとします。