【要約】音声認識 x LLMで交信ログを抽出する：RTL-SDR + AmiVoice Cloud + Gemini [Zenn_Python] | Summary by TechDistill
> Source: Zenn_Python
Execute Primary Source
// Problem
無線通信の利用者は、特定の会話を逃さず記録するために、長時間聴き続けるという非効率な作業に直面している。主な課題は以下の通りである。
- ・常時ワッチによる精神的・時間的コストの増大。
- ・後からの内容確認を容易にするログ作成の自動化不足。
- ・無線特有の早口やコールサインに対する認識精度の低さ。
// Approach
開発者は、音声認識とLLMを組み合わせ、非同期パイプラインによる自動要約システムを構築した。具体的な手法は以下の通りである。
- ・
rtl_fmで復調したPCMデータをasyncio.Queueで管理。 - ・AmiVoice Cloudへ音声をストリーミング送信し、リアルタイムに文字起こし。
- ・Gemini APIを用い、1分ごとに要約と構造化データをJSONで抽出。
- ・WebSocket経由で、解析結果をブラウザへ即時配信。
// Result
このシステムにより、無線通信の内容を離席中でも要約として確認できる環境を実現した。得られた成果は以下の通りである。
- ・音声の逐次テキスト化と、構造化された交信ログの自動生成。
- ・防災行政無線や業務無線のアーカイブ、配信音声の検索化への応用可能性。
- ・実用上の課題として、無線用語やコールサインの認識精度向上が明確になった。
Senior Engineer Insight
> 同期ライブラリを
run_coroutine_threadsafeで非同期ループへ戻す設計は、実戦的で極めて合理的である。また、rtl_fmの出力を再エンコードせず直接AmiVoiceへ渡す判断は、低レイテンシを実現する上で重要だ。ただし、大規模運用ではAPIコストと、無線特有のノイズに対する堅牢性が課題となる。