AWS、話者識別と単語単位タイムスタンプに対応した「WhisperX」のSageMaker AI向け公式コンテナを提供
要点
- 米Amazon Web Services（AWS）は、機械学習プラットフォーム「Amazon SageMaker AI」向けに音声認識ツール「WhisperX」をパッケージ化した公式コンテナの提供を開始した。
- WhisperXは、OpenAIの音声認識モデル「Whisper」を拡張し、単語単位の高精度なタイムスタンプ付与と話者ダイアライゼーション（話者識別）を実現するオープンソースプロジェクトである。
- 提供されるコンテナにはWhisper本体やアライメントモデル、ダイアライゼーションの重みデータがあらかじめ組み込まれており、Hugging Faceのアクセストークンなしで即座にデプロイできる。
- SageMaker AIのリアルタイムエンドポイントおよび非同期エンドポイントの双方に対応し、JSON形式のほか動画字幕用のSRT形式やVTT形式での出力が可能となっている。
- コンタクトセンターの通話分析、会議の議事録作成、メディアの字幕生成、法務・金融分野の監査ログ作成など幅広い業務用途を想定している。
リード文
米Amazon Web Services（AWS）は現地時間2026年9月24日、機械学習プラットフォーム「Amazon SageMaker AI」向けに、音声認識ツール「WhisperX」を搭載した公式コンテナイメージ「AWS WhisperX Deep Learning Container（DLC）」の提供を開始したことを公式ブログで明らかにした。OpenAIの音声認識モデル「Whisper」を基盤に、単語単位のタイムスタンプ生成と話者識別機能を統合したコンテナで、利用者は独自イメージを構築することなくSageMaker AI上に推論エンドポイントを展開できる。
従来の音声認識における課題とWhisperXの特徴
コンタクトセンターの通話録音、全社会議、ポッドキャスト、法廷での証言録取、放送メディアなど、音声を扱う現場では従来の一般的な音声認識（音声データをテキスト化する技術）において共通の課題が存在していたという。
具体的には、生成されるタイムスタンプが数秒単位でずれる発話単位（文やフレーズ単位）にとどまる点と、「誰が何を話したか」を正確に特定できない点の2点が挙げられている。これらの制限により、書き起こしデータの検索や字幕作成、機密情報のマスキング（墨消し）、大規模なデータ分析が困難になるケースがあった。特にコンプライアンス（法令順守）の確認では話者ラベルの欠落が問題となり、字幕生成やマスキング作業ではタイムスタンプのずれが作業の破綻につながる恐れがあったとしている。
WhisperXは、こうした課題を解決するために開発されたオープンソースプロジェクトである。米OpenAIが開発した多言語対応の音声認識モデル「Whisper」をベースにバッチ推論による高速化を施した上で、音声波形とテキストを照合してタイミングを一致させる「wav2vec2」を用いた強制アライメント技術を組み合わせることで、単語ごとの正確なタイムスタンプ生成を実現している。さらに、音声から「誰がいつ話したか」を区別・分類する話者ダイアライゼーション機能を追加し、未加工の音声データを構造化された分析可能なテキストデータへと変換できる点が特徴となっている。
AWS WhisperX DLCの仕様とサービング構造
今回AWSが発表した「AWS WhisperX DLC」は、GPU環境ですぐに利用可能な形式で提供される公式コンテナイメージ（機械学習フレームワークや依存ライブラリがあらかじめ導入されたコンテナ）である。
コンテナ内部にはWhisperモデル本体に加えて、アライメント用モデルやダイアライゼーション用の重みデータがすべてあらかじめ組み込まれている。そのため、外部サービスであるHugging Faceのアクセストークンを個別に取得・設定することなく利用を開始できる仕様となっている。また、Amazon SageMaker AIの標準的なサービング仕様に準拠しており、通常のエンドポイントと同様の手順でデプロイが可能だという。
コンテナの通信仕様および入出力仕様は以下の通りである。
- サービング仕様: ポート番号
8080で稼働し、推論用リクエストを受け付けるPOST /invocationsエンドポイントと、死活監視用のGET /pingエンドポイントを公開する。 - リクエスト形式:
multipart/form-data形式に対応し、音声ファイルをfileパートとして送信する。言語指定（language）、話者識別の有効化（diarize）、出力フォーマット（response_format）などの文字列パラメータもオプションとして指定できる。SageMaker AIは境界情報を含むContentTypeヘッダーを変更せずにコンテナへ透過的に渡す構造となっている。 - 出力形式: 標準的な
json、詳細な情報を含むverbose_json、動画字幕フォーマットであるsrt（SubRip Subtitle）およびvtt（Web Video Text Tracks）の4種類をサポートする。これにより、データ分析パイプラインへの連携と動画編集ワークフローへの直接組み込みの双方が可能となっている。
エンドポイントの選択肢と本番運用における考慮点
Amazon SageMaker AIでは、同一のWhisperX DLCを用いて「リアルタイムエンドポイント」と「非同期エンドポイント」（リクエストをキューに蓄積してバックグラウンドで処理する方式）の2種類の運用パターンを選択できると説明されている。選定の基準としては、処理対象となる音声クリップの長さや、処理における対話性（即時応答性）の要件が挙げられている。
また、本番環境での安定運用に向けて、GPU対応AMI（Amazon Machine Image）のバージョンの固定、自動スケーリング設定、Amazon S3（Simple Storage Service）の構成、コスト管理の最適化といった実運用上のポイントについても解説されている。
想定される業務ユースケース
元記事では、WhisperXによって実現される構造化された書き起こしデータの具体的な活用分野として、以下のような業務シナリオが挙げられている。
- コンタクトセンター: 通話相手ごとの発話時間の測定、スクリプト（応対手順）の遵守状況チェック、通話内容に基づく感情分析の実施。
- 社内会議・全社会議: 発言者ラベル付きの検索可能な議事録やメモの自動生成。
- メディアおよびeラーニング: 大規模なコンテンツライブラリに対する、正確な字幕ファイル（SRT/VTT）の自動生成。
- リアルタイム用途: 発話が行われた直後にテキストを取得する必要がある時間的制約の厳しいシステム。
- 規制業界（ヘルスケア、法務、金融など）: 厳格な監査対応や、訴訟などにおける電子的証拠開示（e-discovery）を支援する正確な記録の作成。
特化型DLCマルチモーダルシリーズの一環として提供
本記事で紹介されたWhisperX DLCは、AWSが展開する特化型Deep Learning Containerを紹介するマルチモーダルシリーズの一部として位置づけられている。このシリーズは3種類のAWS DLCを用いて4つの主要なユースケースをカバーする構成となっており、以下の内容で展開されているという。
- テキスト読み上げ（Text-to-Speech）を対象とした「vLLM-Omni」
- 画像および動画処理を対象とした「vLLM-Omni」
- 音声テキスト化（Speech-to-Text）を対象とした「WhisperX」（今回の発表内容）
- 軽量推論フレームワーク「llama.cpp」
AWSは、これらのコンテナを活用することで、マルチモーダルな機械学習ワークロードをSageMaker AI上で迅速に本番展開できる環境を整えている。