Quebec - 音声から単語タイムスタンプを生成する高精度API

Show HN: An API for word timestamps from speech, 75% within 20ms

Quebecは、音声とテキストから各単語の開始・終了時刻を高精度に取得できる強制アライナーAPIです。Yarnの動画編集ツールで単語削除時に隣の単語を切り取ってしまう問題を解決するため開発されました。MFAの音響モデルをトランスクライバーの推定位置で囲い込む独自デコーダと、境界特化の小型ニューラルモデルを組み合わせ、単語境界の77%を人間のラベルから20ms以内に収めています。音声とテキストを送るだけで利用でき、サインアップ不要。英語音声に対応し、1時間の音声を約1分で処理します。

Quebecは手作業のラベリングとほぼ同等の精度に極めて近づいており、quebec.yarn.soで試せます。

この日のほかの記事

2026-11-19