Parrot Speech-to-text API

ParrotはRingg AIの音声テキスト化エンジンで、単体APIとして販売され、Ringgの音声エージェント基盤にも組み込まれている。売り文句は狭く正直だ。低遅延のリアルタイム音声認識、インドのアクセントと電話音声での高い精度、そして下流のAIモデルがそのまま読める程度に整えられた出力。1回のREST呼び出しで1つの音声ファイルを文字起こしするか、WebSocket経由でストリーミング文字起こしを処理し、話者が話すそばから単語を出力する。

このエンジンは現在ヒンディー語（既定）と英語に対応し、ヒンディー語と英語の混在音声に専用のチューニングを施している。この焦点が効いてくる。

汎用の認識エンジンのほとんどは、ヒングリッシュの文を互いにぶつかり合う2つの言語として扱い、文字起こしは下流のモデルでも修復できない惨状になる。Parrotの精度は、その混在パターンで根本から学習していることから来ている。だから文中で2言語を行き来する話者にも、話の筋を見失わずに追随できる。

大きな但し書きは成熟度だ。Ringgのドキュメントによれば、Parrot STTはベータ版で、Python SDKはMITライセンスのv0.1.xにある。まさにベータだ。一般提供の前にパラメータやイベント項目が変わりうるので、今日見たフィールド名を前提に脆い連携を組まないほうがいい。本番の音声業務では、このベータという状態が最優先で天秤にかけるべき点になる。

はじめかた

1. Ringgのアカウントを作り、設定 → APIキーのダッシュボードを開いてワークスペースキーを発行する。環境変数として保存する。文字起こしを始めるにはワークスペースに最低1分のクレジットが必要だ。
2. pip install ringglabsでPython SDKをインストールする（Python 3.10以上が必要）。
3. 同期クライアントで最初のファイルを送る。ローカルのWAVかMP3を渡し、言語をenまたはhiに設定する。
4. 基本が動いたらストリーミングに移る。生のモノラルPCM音声を小さな塊でWebSocketに送り、届くそばから部分的な文字起こしを読む。
5. 正規化された文字起こしを出力するか、LLMやログ層へ転送する。