はじめに

mocoVoice APIは、音声や動画をテキストに変換する開発者向けの音声認識APIです。書き起こしに話者ラベルとタイムスタンプが付くため、受付対応の記録や通話履歴などを、自社の業務システムで扱えます。

主な機能

機能	できること
音声・動画の書き起こし	WAV、MP3、MP4などのファイルをアップロードし、JSONで結果を取得
話者分離	発話ごとに話者ラベルを付与。人数が分かる場合は話者数を指定可能
用語辞書	専門用語や施設名などの表記と読みを登録し、認識を補助
言語・モデルの指定	日本語などの言語指定、複数言語の指定、利用目的に応じたモデル選択

APIは非同期で動作します。ファイルを送信して処理を開始し、完了後に結果を取得する流れです。

使用例：クリニックの受付対応

初診の患者に、受付職員が予約を確認し、問診票・紹介状・お薬手帳を案内する場面です。二人の会話を、話者ごとのテキストとして扱う例をご覧いただけます。

画像・音声はAIで作成した架空の受付場面です。実在の患者情報や医療機関の記録は使用していません。動画は受付画像と会話音声を組み合わせたものです。

音声をダウンロード（WAV） · 動画をダウンロード（MP4） · 字幕をダウンロード（VTT）

会話の内容

受付： おはようございます。本日はご予約されていますか。

患者： はい、10時に予約している田中です。こちらは初めてです。

受付： 田中様ですね。初診の受付をいたしますので、こちらの問診票にご記入をお願いします。

患者： わかりました。紹介状と、お薬手帳も持ってきました。

受付： ありがとうございます。紹介状をお預かりします。お薬手帳は、診察の際にお見せください。

患者： はい。問診票を書いたら、受付にお渡しすればよいですか。

受付： はい、ご記入後にこちらへお持ちください。順番になりましたらお呼びしますので、待合室でお待ちください。

書き起こしデータの形式

以下は、この会話を使ってデータ形式を示したJSON例です。発話テキストは台本、開始・終了時刻は生成した音声クリップの区間から作成しており、mocoVoice APIの実測レスポンスではありません。実際の認識結果、発話の区切り、時刻、話者番号は処理条件によって異なります。

[
  {
    "text": "おはようございます。本日はご予約されていますか。",
    "lang": "ja",
    "start": 0.0,
    "end": 4.0,
    "speaker": "SPEAKER_00"
  },
  {
    "text": "はい、10時に予約している田中です。こちらは初めてです。",
    "lang": "ja",
    "start": 4.35,
    "end": 8.99,
    "speaker": "SPEAKER_01"
  },
  {
    "text": "田中様ですね。初診の受付をいたしますので、こちらの問診票にご記入をお願いします。",
    "lang": "ja",
    "start": 9.34,
    "end": 16.42,
    "speaker": "SPEAKER_00"
  },
  {
    "text": "わかりました。紹介状と、お薬手帳も持ってきました。",
    "lang": "ja",
    "start": 16.77,
    "end": 21.41,
    "speaker": "SPEAKER_01"
  },
  {
    "text": "ありがとうございます。紹介状をお預かりします。お薬手帳は、診察の際にお見せください。",
    "lang": "ja",
    "start": 21.76,
    "end": 30.2,
    "speaker": "SPEAKER_00"
  },
  {
    "text": "はい。問診票を書いたら、受付にお渡しすればよいですか。",
    "lang": "ja",
    "start": 30.55,
    "end": 35.51,
    "speaker": "SPEAKER_01"
  },
  {
    "text": "はい、ご記入後にこちらへお持ちください。順番になりましたらお呼びしますので、待合室でお待ちください。",
    "lang": "ja",
    "start": 35.86,
    "end": 43.78,
    "speaker": "SPEAKER_00"
  }
]

フィールド	内容
`text`	発話のテキスト
`lang`	言語コード。日本語は `ja`
`start` / `end`	音声の先頭からの開始・終了時刻（秒）
`speaker`	音声内の話者を区別するラベル

この例では SPEAKER_00 を受付、SPEAKER_01 を患者に対応させています。APIが職種や氏名を判定しているわけではありません。

JSON例をダウンロード

APIで試す

利用開始ガイドでアカウントとAPIキーを用意します。
上のWAVをダウンロードし、書き起こしを開始するに沿って送信します。
用語を補助したい場合は、医療受付用語の辞書を登録して試します。

業務システムへの組み込み例

医療機関の受付・予約電話の応対記録
コールセンターの通話履歴の検索・確認
社内会議や申し送りの記録
収録音声・動画の字幕作成

書き起こし結果を業務記録に利用する際は、必要な項目を確認する工程を設けてください。APIの仕様はリファレンス、最新の改善内容は変更履歴で確認できます。