お客様の声

AI音声認識を利用した文字起こしに取り組み始めた当初、ユーザからは、人手で行っている文字起こし作業をそのまま全自動処理に置き換えたいという発想が強くありましたが、音声認識は音源の明瞭度に結果が大きく左右され、精度については必ずしも完璧なものではないことが明らかでした。
このため、ユーザに、文字起こし作業の補助として音声認識を用いることによる効率化を理解してもらい、まずユーザに汎用的な文字起こしアプリケーションを提供し（音声認識PJフェーズ１）、その後、フジテレビの報道・情報制作統合オンライン編集システムLive Video Center（以下：LVC）及びLVCで扱う素材に紐付いて取材予定・素材メタデータ・原稿などを管理、作成するシステム（以下：Fujion）に文字起こし機能を連携する（音声認識PJフェーズ2）計画を策定しました。

ユーザからの要件と実現可能性の面から、フェーズ1では、映像（音声）ファイルの音を認識するファイル文字起こしと、処理端末に映像を入力しつつ文字起こしするストリーミング型文字起こしの両方の作業を対象とすることとしました。

「MP4などの多くのファイルフォーマットを処理でき、映像再生と文字の編集を可能とする文字起こしアプリケーション」を低コストで実現するため、完全なスクラッチ開発で多くの要件を盛り込むことは合理的ではありませんでした。
アプリケーションの調査を進める中で、ユニゾンシステムズ社の映像共有システムである「Join-View®」を利用して、音声認識をアドオンするというコンセプトに行き着きました。
決め手になったことは、音声認識、文字起こし機能の他に、既に映像プレビュー・共有の仕組みが備わっていたことと、Azure AD連携も視野に開発を進めることが可能であった点です。

これにより、構築コストを抑え、短期間で汎用アプリケーション“オトジロウ”の提供を行うことができました。要件確認後、社内の利用環境の整備やユーザ受け入れテストも含めると、開発開始から３ヶ月半でリリースすることが出来ました。