0Pricing
AI Agents · レッスン

音声・テキストエージェントのワークフロー

文字起こし → 推論 → 音声応答のパイプラインをエンドツーエンドで構築します。

「音声・テキストエージェントのワークフロー」はCoddyKit上の無料AI Agentsレッスンです。 これはレッスン2/4です。 下記で完全なレッスンを無料で読むことができます。その後、ブラウザ内の組み込みコードエディタと24時間対応のAIチューターでハンズオン演習できます。 これはAI Agents学習パスの一部であり、ウェブとCoddyKitアプリ全体で進捗が同期されます。 AI Agentsコースには全4レッスンが含まれています。

音声・テキストエージェントパイプラインの概要

音声・テキストエージェントパイプラインは、話し言葉と書き言葉の世界を相互に変換します。基本的な流れは、音声入力 → Whisperによる文字起こし → テキストエージェント → TTSによる音声出力です。これにより、音声アシスタント、通話分析、会議の要約、ハンズフリーインターフェースが実現します。

対応音声形式

OpenAI Whisperは、mp3、mp4、mpeg、mpga、m4a、wav、webmに対応しています。最大ファイルサイズは25 MBです。これより大きいファイルを送信する場合は、事前に音声を分割または圧縮する必要があります。

最高の文字起こし品質と最小のファイルサイズを実現するには、常に16 kHzのモノラルで録音または変換してください。

import os

SUPPORTED_FORMATS = {'.mp3', '.mp4', '.mpeg', '.mpga', '.m4a', '.wav', '.webm'}
MAX_FILE_SIZE_BYTES = 25 * 1024 * 1024  # 25 MB

def validate_audio_file(path: str) -> dict:
    ext = os.path.splitext(path)[1].lower()
    size = os.path.getsize(path) if os.path.exists(path) else 0
    return {
        'path': path,
        'format_ok': ext in SUPPORTED_FORMATS,
        'size_ok': size <= MAX_FILE_SIZE_BYTES,
        'size_mb': round(size / 1024 / 1024, 2),
        'extension': ext
    }

# Usage:
info = validate_audio_file('meeting.wav')
print(info)

Whisperによる音声の文字起こし

OpenAIのaudio.transcriptions.createエンドポイントはWhisperをラップしています。ファイルオブジェクトとモデル名を渡し、必要に応じて言語ヒント(処理が速くなり、誤検出を防げます)とプロンプト(ドメイン固有の用語に合わせて語彙をあらかじめ設定します)も指定します。

from openai import OpenAI

client = OpenAI(api_key='YOUR_OPENAI_API_KEY')

def transcribe_audio(
    audio_path: str,
    language: str = 'en',
    prompt: str = ''
) -> str:
    with open(audio_path, 'rb') as audio_file:
        transcript = client.audio.transcriptions.create(
            model='whisper-1',
            file=audio_file,
            language=language,
            prompt=prompt,  # e.g. 'Python, NestJS, TypeScript, API'
            response_format='text'
        )
    return transcript

text = transcribe_audio('user_query.mp3', language='en',
                        prompt='Kubernetes, microservices, Docker')
print('Transcription:', text)

タイムスタンプ付き文字起こし

会議の分析や話者分離を行う場合は、verbose_json形式を指定してください。これにより、単語単位またはセグメント単位のタイムスタンプが返されるため、参照や切り出しに必要な音声内の正確な時点を特定できます。

def transcribe_with_timestamps(audio_path: str) -> dict:
    from openai import OpenAI
    client = OpenAI(api_key='YOUR_OPENAI_API_KEY')
    with open(audio_path, 'rb') as f:
        result = client.audio.transcriptions.create(
            model='whisper-1',
            file=f,
            response_format='verbose_json',
            timestamp_granularities=['segment']
        )
    # result.segments: list of {start, end, text}
    segments = [
        {'start': s.start, 'end': s.end, 'text': s.text}
        for s in result.segments
    ]
    return {'full_text': result.text, 'segments': segments}

# Example output structure:
# {'full_text': 'Hello team...', 'segments': [{'start': 0.0, 'end': 2.3, 'text': 'Hello team'}]}

テキストエージェントによる処理

文字起こし後、テキストは通常のテキストメッセージとしてLLMエージェントを通過します。コンテキストを設定するシステムプロンプトを含めてください。このテキストは発話から生成されたものなので、フィラーワードや不完全な文が含まれることを想定します。

import anthropic

VOICE_AGENT_SYSTEM = (
    'You are a helpful voice assistant. The user\'s message was transcribed from speech '
    'and may contain filler words ("um", "uh"), false starts, or incomplete sentences. '
    'Interpret the intent charitably and respond concisely in 1-3 sentences. '
    'Your response will be converted to speech, so avoid markdown, lists, or code blocks.'
)

def voice_agent_respond(transcription: str) -> str:
    client = anthropic.Anthropic(api_key='YOUR_ANTHROPIC_API_KEY')
    response = client.messages.create(
        model='claude-opus-4-5',
        max_tokens=256,
        system=VOICE_AGENT_SYSTEM,
        messages=[{'role': 'user', 'content': transcription}]
    )
    return response.content[0].text

OpenAI TTSによるテキスト読み上げ

OpenAIのTTS APIを使用して、エージェントのテキスト応答を音声に戻します。音声(alloy、echo、fable、onyx、nova、shimmer)とモデル(速度重視のtts-1、品質重視のtts-1-hd)を選択してください。結果をmp3ファイルとして保存するか、直接ストリーミングします。

from openai import OpenAI
from pathlib import Path

client = OpenAI(api_key='YOUR_OPENAI_API_KEY')

def text_to_speech(
    text: str,
    output_path: str = 'response.mp3',
    voice: str = 'nova',
    model: str = 'tts-1'
) -> str:
    response = client.audio.speech.create(
        model=model,
        voice=voice,
        input=text,
        response_format='mp3'
    )
    Path(output_path).write_bytes(response.content)
    print(f'TTS audio saved to {output_path}')
    return output_path

# Full pipeline:
tts_file = text_to_speech(
    'The weather in London is currently 15 degrees and partly cloudy.',
    voice='nova'
)

音声出力のストリーミング

リアルタイムの音声応答では、完全なファイルの生成を待つのではなく、TTS音声をチャンク単位でストリーミングしてください。OpenAIのstream_to_fileヘルパーまたは手動のチャンク反復処理を使うと、残りの音声が生成中でも再生を開始できます。

from openai import OpenAI

client = OpenAI(api_key='YOUR_OPENAI_API_KEY')

def stream_tts_to_file(text: str, output_path: str):
    # OpenAI SDK streams the audio response
    with client.audio.speech.with_streaming_response.create(
        model='tts-1',
        voice='nova',
        input=text,
        response_format='mp3'
    ) as response:
        response.stream_to_file(output_path)
    print(f'Streamed to {output_path}')

def stream_tts_chunks(text: str):
    """Yield raw audio bytes for piping to an audio player."""
    with client.audio.speech.with_streaming_response.create(
        model='tts-1',
        voice='nova',
        input=text
    ) as response:
        for chunk in response.iter_bytes(chunk_size=4096):
            yield chunk  # pipe to audio player or WebSocket

長い音声ファイルの分割

25 MBを超える音声ファイルは、Whisperに送信する前に分割する必要があります。pydubライブラリを使用して時間間隔ごとに分割し、各チャンクを個別に処理してから、文字起こし結果を連結してください。

from pydub import AudioSegment
import os

def split_audio(
    path: str,
    chunk_minutes: int = 10
) -> list:
    audio = AudioSegment.from_file(path)
    chunk_ms = chunk_minutes * 60 * 1000
    chunks = []
    os.makedirs('audio_chunks', exist_ok=True)
    for i, start in enumerate(range(0, len(audio), chunk_ms)):
        chunk = audio[start:start + chunk_ms]
        chunk_path = f'audio_chunks/chunk_{i:03d}.mp3'
        chunk.export(chunk_path, format='mp3')
        chunks.append(chunk_path)
    return chunks

def transcribe_long_audio(path: str) -> str:
    chunks = split_audio(path, chunk_minutes=10)
    transcripts = []
    for chunk_path in chunks:
        text = transcribe_audio(chunk_path)
        transcripts.append(text)
    # Clean up chunks
    for chunk_path in chunks:
        os.remove(chunk_path)
    return ' '.join(transcripts)

リアルタイム音声パイプライン

リアルタイムパイプラインでは、マイク入力をチャンク単位で取得し、到着するたびに各チャンクをWhisperへ送信して、TTS出力をストリーミングで返します。これにより、ほぼリアルタイムの音声会話ループを実現できます。重要な課題は、各段階のレイテンシを管理することです。

import asyncio
import time

async def realtime_voice_loop(mic_stream, speaker_stream, client):
    """
    mic_stream: async generator yielding audio bytes
    speaker_stream: async callable accepting audio bytes
    """
    buffer = b''
    BUFFER_THRESHOLD = 50 * 1024  # ~3 seconds at 16kHz mono mp3

    async for audio_chunk in mic_stream:
        buffer += audio_chunk

        if len(buffer) >= BUFFER_THRESHOLD:
            t0 = time.time()
            # Save buffer to temp file
            with open('/tmp/voice_chunk.mp3', 'wb') as f:
                f.write(buffer)
            buffer = b''

            # Transcribe
            text = transcribe_audio('/tmp/voice_chunk.mp3')
            print(f'Transcribed ({time.time()-t0:.1f}s): {text}')

            # Agent response
            reply = voice_agent_respond(text)

            # TTS and stream to speaker
            for audio_bytes in stream_tts_chunks(reply):
                await speaker_stream(audio_bytes)

言語検出と自動ルーティング

Whisperは発話された言語を自動的に検出します。検出された言語を使って、会話を適切なエージェントペルソナに振り分けたり、応答に使用するTTSの言語を設定したりできます。

def transcribe_and_detect_language(audio_path: str) -> dict:
    from openai import OpenAI
    client = OpenAI(api_key='YOUR_OPENAI_API_KEY')
    with open(audio_path, 'rb') as f:
        result = client.audio.transcriptions.create(
            model='whisper-1',
            file=f,
            response_format='verbose_json'
        )
    return {
        'text': result.text,
        'language': result.language,  # e.g. 'english', 'spanish'
        'duration': result.duration
    }

LANGUAGE_VOICE_MAP = {
    'english': 'nova',
    'spanish': 'alloy',
    'french': 'echo',
    'german': 'fable'
}

def respond_in_detected_language(audio_path: str) -> str:
    info = transcribe_and_detect_language(audio_path)
    voice = LANGUAGE_VOICE_MAP.get(info['language'], 'nova')
    reply = voice_agent_respond(info['text'])
    return text_to_speech(reply, voice=voice)

背景ノイズと低品質音声への対処

低品質の音声は文字起こしの精度を低下させます。実践的な対策として、ノイズ低減(noisereduceライブラリ)で前処理を行う、Whisperのpromptにドメイン固有の語彙を追加する、文字起こしの信頼度を検証する、信頼度が低い場合は明確化を求める、といった方法があります。

def transcribe_with_quality_check(
    audio_path: str,
    min_confidence_words: int = 3
) -> dict:
    from openai import OpenAI
    import string
    client = OpenAI(api_key='YOUR_OPENAI_API_KEY')
    with open(audio_path, 'rb') as f:
        result = client.audio.transcriptions.create(
            model='whisper-1',
            file=f,
            response_format='verbose_json',
            timestamp_granularities=['word']
        )
    # Word count as a basic quality proxy
    words = result.text.translate(
        str.maketrans('', '', string.punctuation)
    ).split()
    quality_ok = len(words) >= min_confidence_words
    return {
        'text': result.text,
        'word_count': len(words),
        'quality_ok': quality_ok,
        'fallback_message': None if quality_ok else 'I could not hear you clearly. Please repeat.'
    }

知識チェック

Whisperのpromptパラメーターは何をしますか?

振り返り:音声・テキストエージェントのワークフロー

すばらしいです!主なポイント:

  • Whisper:mp3、wav、m4aなどに対応し、最大25 MB。大きなファイルはpydubで分割
  • タイムスタンプ:timestamp_granularitiesを指定したverbose_jsonでセグメントのタイミングを取得
  • TTS:音声の選択肢があるOpenAI TTSを使用し、低レイテンシのためにチャンクをストリーミング
  • 言語検出:Whisperが自動検出し、検出された言語に基づいて適切な音声やエージェントに振り分ける
  • リアルタイムパイプライン:音声チャンクをバッファリング → 文字起こし → エージェント → TTSをストリーミング

次は、エージェントにおける動画理解です。フレーム抽出と時間的推論を扱います。

よくある質問

「音声・テキストエージェントのワークフロー」レッスンは無料ですか?

はい。「音声・テキストエージェントのワークフロー」の完全なテキストはこのウェブで無料で読めます。インタラクティブに演習し(組み込みコードエディタと24時間対応のAIチューター)、AI Agentsコースの残りをアンロックするには、CoddyKit PROにアップグレードしてください。 AI Agentsコースには全4レッスンが含まれています。

「音声・テキストエージェントのワークフロー」で何を学びますか?

文字起こし → 推論 → 音声応答のパイプラインをエンドツーエンドで構築します。 ブラウザで直接実行するハンズオンコードでAI Agentsを演習し、24時間対応のAIチューターがレッスンを進める中での質問に答えます。

AI Agentsを始めるのに経験は必要ですか?

事前経験は必要ありません。CoddyKitのAI Agentsは初級者から上級者向けに構成されているため、ここから始めるか最初から始めて、自分のペースで進むことができます。 これはレッスン2/4です。

「音声・テキストエージェントのワークフロー」レッスンにはどのくらい時間がかかりますか?

ほとんどのCoddyKitレッスンは約5~10分かかります。各レッスンはコンパクトでインタラクティブなので、着実に進歩し、ウェブとアプリ全体で正確に前回の場所から再開できます。

このAI Agentsレッスンでコードを書いて実行できますか?

はい。すべてのAI Agentsレッスンに組み込みコードエディタが含まれているため、ブラウザでリアルコードを書いて実行し、即座のAIフィードバックを取得できます。ローカル設定は不要です。

このコースのすべてのレッスン

  1. Claude Vision と GPT-4V による画像・テキストエージェント
  2. 音声・テキストエージェントのワークフロー
  3. エージェントにおける動画理解
  4. クロスモーダル推論のパターン
← AI Agentsに戻る