講義音声のテキスト化による字幕作成
講義動画に字幕を付けるため、手作業の書き起こしを自動化したいと考えています。社内に機械学習の専門家はおらず、モデルの学習やインフラの管理は一切行いたくありません。音声を自動的にテキストへ変換する用途に最も適した AWS サービスはどれですか。
解説を読む（正解: C）
AWS の AI サービス群は、機械学習の専門知識がない開発者でも API を呼び出すだけで学習済みモデルの推論結果を得られるように設計されており、モデルの訓練やインフラ運用は AWS 側が担当します。各サービスは扱うデータの種類と変換の向きで役割が明確に分かれているため、要件を「入力は何か、出力は何か」で整理すると選択を誤りません。本問の要件は「音声 (入力) をテキスト (出力) に変換する」であり、これに対応するのが C の Amazon Transcribe です。Transcribe は自動音声認識 (ASR) のマネージドサービスで、録音済みの音声・動画ファイルやリアルタイムストリームを文字起こしし、タイムスタンプ付きの出力から字幕ファイルを生成する用途にも利用できます。A の Amazon Polly は逆方向、すなわちテキストを人間らしい音声に変換する音声合成サービスであり、書き起こしには使えません。B の Amazon Comprehend は自然言語処理サービスで、テキストからエンティティ、キーフレーズ、感情などを抽出するものであり、入力としてテキストを必要とするため音声から直接字幕を作ることはできません。D の Amazon Translate はある言語のテキストを別の言語のテキストへ機械翻訳するサービスであり、多言語字幕を追加したい場合に Transcribe の後段で組み合わせることはあっても、音声のテキスト化そのものは行いません。
通話録音の文字起こしと感情傾向の把握
Amazon S3 に保存した通話音声をテキスト化し、顧客の感情傾向と頻出キーフレーズを把握したいと考えています。自前でモデルを開発せず、学習済みモデルを API で利用したいです。利用すべき AWS サービスを 2 つ選択してください。
複数選択問題です (正解 2 つ)。選んでから判定してください。
解説を読む（正解: A、B）
この要件は「音声をテキストに変換する工程」と「テキストを言語的に分析する工程」の 2 段階に分解できます。前半を担うのが A の Amazon Transcribe で、音声ファイルやストリーミング音声を高精度にテキスト化する自動音声認識サービスであり、話者分離やカスタム語彙にも対応しているためコールセンターの通話分析で広く使われています。後半を担うのが B の Amazon Comprehend で、テキストから感情 (ポジティブ / ネガティブ / 中立 / 混在)、エンティティ、キーフレーズ、主要言語などを抽出する自然言語処理サービスです。いずれも AWS があらかじめ学習させたモデルを API 経由で提供するため、自前でモデルを構築する体制がなくても導入できます。したがって A と B の組み合わせが正解となります。C の Amazon Translate は言語間の機械翻訳を行うサービスで、日本語の通話を分析するだけであれば翻訳は不要であり、感情分析の機能も持ちません。D の Amazon Kendra は社内文書などを対象とした機械学習ベースのインテリジェント検索サービスで、利用者が自然文で質問して該当箇所を探すためのものであり、音声認識や感情分析は行いません。E の Amazon Lex は音声とテキストで対話するチャットボット / 音声ボットを構築するためのサービスであり、応対の自動化には有効ですが、既存の録音ファイルを事後分析する用途には合致しません。
通話音声をテキスト化する AI サービス
コールセンターに毎日蓄積される数千件の通話録音音声を自動でテキスト化し、キーワード分析やオペレーター評価に活用したいと考えています。録音には背景ノイズが含まれるものもあります。この文字起こし処理に最も適した AWS の AI サービスはどれですか。
解説を読む（正解: C）
AWS の AI サービスは、入力と出力のモダリティ (音声・テキスト・画像) の組み合わせで役割が明確に分かれており、名前だけで混同しやすいため対応関係を整理して覚えることが重要です。C の Amazon Transcribe は自動音声認識 (ASR) を提供するサービスで、音声ファイルやストリーミング音声を入力としてテキストを出力します。コールセンターの通話録音のように電話帯域でノイズを含む音声にも対応し、話者分離やカスタム語彙、機密情報のマスキングといった機能も備えるため、設問の文字起こし要件に最適です。A の Amazon Polly は Transcribe とちょうど逆方向で、テキストを入力として自然な合成音声を出力する読み上げサービスであり、音声からテキストへの変換はできません。B の Amazon Translate はテキストを入力してテキストを出力する機械翻訳サービスで、言語間の変換を担いますが音声認識機能は持ちません。D の Amazon Textract はスキャン画像や PDF などの文書を入力として、印字・手書きの文字や表、フォームの項目を抽出する文書解析サービスであり、扱う対象は画像であって音声ではありません。したがって音声からテキストへという要件を満たすのは C だけです。