小売音声

どちらも同じ小売バックエンドに書き込みますが、認識処理がどこで動くかが異なります。オンデバイス転写はボックス上で音声を認識し、書き起こしたテキストをアップロードします。Clip 方式はスマートフォンから音声をアップロードし、サーバー側で認識・匿名化・保存を行います。

イメージとモデルが揃っていれば、ボックス上の認識は動作を続けますが、書き起こしたテキストを保存・表示するには小売バックエンドへの接続が必要です。Clip 方式はさらにスマートフォンのアップロード経路が必要です。モデルは初回起動時に、デプロイ時に選択したミラーからダウンロードされます。

オンデバイス転写はテキストのみをアップロードします。WAV セグメントはボックス上に残り、ファイル出力を有効にした場合のみ書き込まれます。Server Stack では、元の音声はスタックホスト上に既定で24時間保持されます。既定で無効な cloud-analytics 設定もあり、有効にすると匿名化済みテキストがこのホストの外に送信されます。

reComputer RK3576 で12チャンネル同時実行時、発話終了から最終テキストまで p50 583 ms／p95 1,067 ms、中国語 CER は4.82%です。この数値は認識のみを対象とし、アップロード・匿名化・保存は含みません。実機テストは音声をファイルとして入力しており、アレイのビームフォーミングとエコーキャンセルはこのテストの対象外です。

Server Stack では、管理者が人物・デバイス・セッションのいずれかを指定して削除要求を一度出すと、保存されている音声、テキスト記録、声紋の順に削除され、元の値を含まない記録だけが残ります。同梱の統合テストでは、3か所すべての残留が0でした。オンデバイス転写には削除 API がなく、転写フォルダの整理は自分で行う必要があります。

114件の中国語・英語ゴールドセットでの測定値は precision 0.98、recall 0.95で、書き起こしテキスト上で測定したものです。認識誤りによってエンティティの境界がずれることがあり、確信度の低いエンティティはマスクされず、レビューキューに回されます。これは再現可能なテストであり、コンプライアンス認証ではありません。

使えません。ラベルは固定しきい値でローカルの登録リストと照合した結果であり、会話のターンを区別するためのもので、本人確認ではありません。Server Stack の既定デプロイでも話者照合は無効になっています。

一つはモデルとコンポーネントのライセンスで、それぞれ上流のライセンスに従います。Server Stack では MySQL が GPLv2 に FOSS 例外を加えたもの、MinIO の現行リリースは AGPLv3 です。もう一つは現地の法律で、店舗での録音が合法かどうか、どのような告知が必要かはご自身の責任で確認してください。