音声の文字起こしをVPSで動かす

レン

会議の録音を文字起こししたいんだけど、外部サービスに音声を上げるのは気が引けて…

プロクラ

その懸念はもっともだね。音声認識モデルは自分のサーバーでも動かせるから、外に出さずに処理できるよ。社内の会話や顧客との通話を扱うなら、この選択には十分な理由がある。

CPUだけで動くのか

プロクラ

動くよ。ただし実時間より時間がかかると考えて。1時間の音声に対して、それ以上の処理時間がかかることが普通なんだ。モデルのサイズと、CPUの性能次第で大きく変わる。

レン

遅いのは困るなあ…

プロクラ

リアルタイムで字幕を出す用途には向かないね。でも「録音を投げておいて、後で結果を受け取る」使い方なら十分実用的だよ。夜のうちに処理させておく、という運用もできる。

構成のポイント

• 処理は必ず非同期にする。Webのリクエストの中で処理すると、応答待ちでタイムアウトする
• 処理待ちの音声をためる仕組み（キュー）を用意する
• モデルのサイズを選べる。小さいほど速く、大きいほど正確
• メモリは選ぶモデル次第。小型なら数GBから
• 同時に複数の処理を走らせない。CPUを食い合って全体が遅くなる

扱うデータへの配慮

ウィルスン

…音声ファイルとその書き起こし。会議の中身、顧客の声、時には個人情報そのもの。サーバーに置いたまま忘れられているそれらは、ワタシにとって上等な獲物だ。

プロクラ

処理が終わった音声ファイルは、置きっぱなしにせず消す仕組みまで作っておこう。「外に出したくないから自前で処理する」のに、自分のサーバーに溜め込んでいては本末転倒だからね。