こんにちは。サイオステクノロジーの和田拓也です。今回はAzure OpenAIを使って音声認識アプリを作ってみたので、作成手順や使用感を書いていきたいと思います。

前提条件

今回はPythonのStreamlitを使ってブラウザのマイクからインプットした音声をAIを使って文字お越ししていきます。StreamlitはPythonでWebアプリケーションを簡単に作ることができるフレームワークです。ここからはStreamlitが動く環境があることを前提に話を進めていきます。

Azure OpenAIモデル作成

まず初めにAzurePortalにアクセスして、リソースを作成します。MarketplaceでAzure OpenAIと検索して、リソース作成画面に飛びます。

作成をクリックすると、リソースの作成画面に飛びます。必要な項目を入力してリソースを作成します。今回はEast US 2をリージョンとして作成しました。

リソースの作成が終わったら、概要の上のほうにGo to Azure AI Foundry portalというボタンがあるのでクリックします。すると以下のようなページに移動します。

左側のメニューからデプロイをクリックします。すると、モデルのデプロイが行える画面が表示されます。モデルのデプロイをクリックして、基本モデルをデプロイするを選択します。

このような画面が表示されます。今回は音声認識のモデルを利用したいので、音声認識で絞り込みます。whisperというモデルのみが使えるみたいなので、今回はこちらを使用していきます。

モデルを作成し終わったら、左のメニューからホームをクリックして、表示されているエンドポイントとAPIキーをメモしておきます。

ソースコード実装

続いてソースコードのほうを実装していきます。Pythonを用いて以下のソースコードで動かしていきます。

main.py

import streamlit as st
from audio_recorder_streamlit import audio_recorder
import tempfile
from openai import AzureOpenAI

endpoint = "メモしたエンドポイント"
key = "メモしたAPIキー"
version = "2024-10-01-preview"
deployment_id = "whisper"
    
client = AzureOpenAI(
    api_key=key,  
    api_version=version,
    azure_endpoint = endpoint
)

def transcribe_audio_to_text(audio_bytes):
    with tempfile.NamedTemporaryFile(suffix=".wav", delete=False) as temp_audio_file:
        temp_audio_file.write(audio_bytes)
        temp_audio_file_path = temp_audio_file.name

    result = client.audio.transcriptions.create(
    file=open(temp_audio_file_path, "rb"),            
        model=deployment_id
    )

    return result.text

st.title("Voice to Text Transcription")

# Streamlitウィジェットを使用して音声を録音
audio_bytes = audio_recorder(pause_threshold=30)

# 録音した音声を再生
if audio_bytes:
    st.audio(audio_bytes, format='audio/wav')

# OpenAI Whisper APIを使用して音声をテキストに変換
if audio_bytes:
    transcript = transcribe_audio_to_text(audio_bytes)
    st.write(transcript)

これで一通り動く準備ができたので、実際に動作を確認していきたいと思います。