会話型アクションのサポートは 2023 年 6 月 13 日に終了しました。詳細については、
会話型アクションの廃止をご覧ください。
音声に関するベスト プラクティス
コレクションでコンテンツを整理
必要に応じて、コンテンツの保存と分類を行います。
このページでは、Google Assistant API に音声データを提供する際のおすすめの方法について説明します。これらのガイドラインは、効率性と正確性を高め、サービスからの妥当な応答時間を実現することを目的としています。
音声の前処理
高音質の適切な位置に置かれたマイクを使用して、可能な限り明瞭な音声を生成することをおすすめします。ただし、音声をサービスに送信する前にノイズ低減信号処理を適用すると、一般に認識精度が低下します。このサービスはノイズのある音声を処理するように設計されています。
最良の結果を得るために、次のことを行います。
- 特にバックグラウンド ノイズがある場合には、できる限りユーザーの近くにマイクを置きます。
- 音声のクリッピングを避けます。
- 自動利得制御(AGC)の使用を避けます。
- すべてのノイズ低減処理を無効にします。
次のようにするのが理想的です。
- 入力信号がクリップされず、音声のピークレベルが約 -20 ~-10 dBFS に達するように音声レベルを調整する必要があります。
- デバイスは、ほぼ「フラット」な振幅周波数特性(+- 3 dB、100 Hz ~ 8,000 Hz)を示す必要があります。
- 高調波ひずみの合計は、SPL 入力レベル 90 dB で、100 Hz から 8,000 Hz の 1% 未満にする必要があります。
サンプリング レート
可能であれば、音源のサンプリング レートを 16,000 Hz に設定します。それ以外の場合は、(再サンプリングするのではなく)音源のネイティブ サンプルレートと一致するように sample_rate_hertz
を設定します。
フレームサイズ
Google アシスタントは、マイクからキャプチャされたライブ音声を認識します。音声ストリームはフレームに分割し、連続する AssistRequest
メッセージで送信する必要があります。フレームサイズは任意のサイズにすることができます。フレームが大きいほど効率は向上しますが、レイテンシが増加します。レイテンシと効率の適切なトレードオフとして、100 ミリ秒フレームサイズをおすすめします。
特に記載のない限り、このページのコンテンツはクリエイティブ・コモンズの表示 4.0 ライセンスにより使用許諾されます。コードサンプルは Apache 2.0 ライセンスにより使用許諾されます。詳しくは、Google Developers サイトのポリシーをご覧ください。Java は Oracle および関連会社の登録商標です。
最終更新日 2023-12-02 UTC。
[[["わかりやすい","easyToUnderstand","thumb-up"],["問題の解決に役立った","solvedMyProblem","thumb-up"],["その他","otherUp","thumb-up"]],[["必要な情報がない","missingTheInformationINeed","thumb-down"],["複雑すぎる / 手順が多すぎる","tooComplicatedTooManySteps","thumb-down"],["最新ではない","outOfDate","thumb-down"],["翻訳に関する問題","translationIssue","thumb-down"],["サンプル / コードに問題がある","samplesCodeIssue","thumb-down"],["その他","otherDown","thumb-down"]],["最終更新日 2023-12-02 UTC。"],[[["This page provides recommendations for submitting speech data to the Google Assistant API for optimal performance."],["For best results, use a high-quality microphone, position it close to the user, avoid audio clipping and noise reduction processing, and disable automatic gain control."],["Ideally, calibrate audio levels to prevent clipping, maintain a flat frequency response, and minimize harmonic distortion."],["Set the audio source sampling rate to 16000 Hz if possible, or match the native rate, and use a frame size of around 100 milliseconds for a balance between latency and efficiency."]]],[]]