Pythonでウェイクワード検出をやってみた (picovoice社 Porcupine)

ウェイクワードは「アレクサ」や「OK Google」みたいな音声認識を開始するための言葉。
そのウェイクワード検出がしたくなったので、前々から気になっていたpicovoice社のPorcupine(ポーキュパイン)を使ってみました。

Porcupineは日本語に翻訳すると「やまあらし」。
様々なプラットフォームやコンピューター言語をサポートしているのが特徴。

ウェイクワード検出(wake word detection)は、ホットワード検出(hot word detection)、キーワード認識(keyword recognition)、キーワードスポッティング(keyword spotting)とも呼ばれる。

動作確認環境
プリセットのウェイクワードを試す
オリジナルのウェイクワードを試す
Pythonプログラム
Pythonライブラリ
料金
精度
認証方法
ライセンス
リンク
他社のウェイクワード検出関連リンク

動作確認環境

Windows 11 バージョン22H2 (OSビルド 22621.1105)
python 3.10

プリセットのウェイクワードを試す

まず最初にpicovoiceのサイトで会員登録をして、アクセスキーの取得が必要。

あとは、porcupineのGihHubに書かれているとおりに実行。
pvporcupinedemoというデモコマンドを使う。デモコマンドの詳細はこちら

セットアップ

pip install pvporcupinedemo

プリセットのウェイクワード「picovoice」でウェイクワード検出してみる。

porcupine_demo_mic --access_key アクセスキー --keywords picovoice

他にも次のような色々なプリセットウェイクワードがある。
alexa, americano, blueberry, bumblebee, computer, grapefruit, grasshopper, hey barista, hey google, hey siri, jarvis, ok google, pico clock, picovoice, porcupine, terminator

詳細はヘルプ(porcupine_demo_mic --help)で表示できる。複数のプリセットを同時に検出することもできる。

「--sensitivities」オプションで感度も変えれる

porcupine_demo_mic --access_key アクセスキー --keywords picovoice --sensitivities 0.8

オリジナルのウェイクワードを試す

porcupineでは、オリジナルのウェイクワードが簡単に作れる。手順はpicovoice consoleで、言語、ウェイクワード文字列、プラットフォームを選択するだけ。ウェイクワードを作成すると、そのウェイクワードやプラットフォームに対応したキーワードファイルがダウンロードできる。

オリジナルウェイクワードをデモコマンドで試す場合の例：

porcupine_demo_mic --access_key アクセスキー --model_path porcupine_params_ja.pv --keyword_paths yamaarashi_ja_windows_v2_1_0.ppn

porcupine_params_ja.pvは日本語用モデルファイル。こちらから入手できる。
yamaarashi_ja_windows_v2_1_0.ppnはキーワードファイルの例。

Pythonプログラム

PyAudioで扱いたかったので、デモをベースに適当に実装

必要に応じてパッケージをインストール

pip install pvporcupine pyaudio

import struct
from datetime import datetime

import pvporcupine
import pyaudio

porcupine = None
pa = None
audio_stream = None
# keywords = ["picovoice", "blueberry"]
keywords = ["やまあらし"]
ACCESS_KEY =  アクセスキー
KEYWORD_FILE_PATH = "yamaarashi_ja_windows_v2_1_0.ppn"
MODEL_PATH = "porcupine_params_ja.pv"
try:
    # porcupine = pvporcupine.create(keywords=keywords, access_key=access_key)
    porcupine = pvporcupine.create(access_key=ACCESS_KEY,
                                   keyword_paths=[KEYWORD_FILE_PATH],
                                   model_path=MODEL_PATH,
                                   )
    pa = pyaudio.PyAudio()
    audio_stream = pa.open(
        rate=porcupine.sample_rate,
        channels=1,
        format=pyaudio.paInt16,
        input=True,
        frames_per_buffer=porcupine.frame_length)
    print("start")
    while True:
        pcm = audio_stream.read(porcupine.frame_length)
        pcm = struct.unpack_from("h" * porcupine.frame_length, pcm)

        result = porcupine.process(pcm)
        if result >= 0:
            print('[%s] Detected %s' % (str(datetime.now()), keywords[result]))

finally:
    if porcupine:
        porcupine.delete()

    if audio_stream:
        audio_stream.close()

    if pa:
        pa.terminate()