tkasr_llm プログラム仕様
tkai_lib_litellmラッパーを介した文字起こし校正機能を提供します。
このモジュールは、音声認識の文字起こし結果をLLM(大規模言語モデル) を使用して校正するための機能を提供します。 具体的には、フィラー、どもり、明らかな誤変換、同音異義語、句読点、表記ゆれなどの修正を行います。 [[ASR_CHUNK...]] や [[ASR_BOUNDARY...]] といったマーカー行は保持されます。
- tkasr_llm.correct(text: str, *, config: str, provider: str, model: str, context: str, max_tokens: int, maximum_chars: int) str
音声認識の文字起こしテキストをLLM(大規模言語モデル)で校正します。
与えられた音声認識テキストを、指定されたLLMプロバイダーとモデルを使用して校正します。 この関数は、フィラー、どもり、明らかな誤変換、同音異義語、句読点、表記ゆれなどを修正し、 自然な日本語の文章を生成することを目的としています。 入力テキストは`maximum_chars`に基づいて小さなチャンクに分割され、 各チャンクが個別にLLMに送られて処理されます。 最終結果からは、[[ASR_CHUNK...]] や [[ASR_BOUNDARY...]] のような 内部管理用のマーカー行 (本モジュールで定義されている MARKER パターンに一致する行) は削除されます。
LLMに送信されるシステムプロンプトは、このモジュール内で定義されている `SYSTEM`定数を基にして構築され、必要に応じて`context`が追加されます。
- パラメータ:
text (str) -- 校正する元の音声認識テキスト。
config (str) -- `tkai_lib_litellm`の設定ファイルパス。 このファイルには、APIキーなどの認証情報が含まれます。
provider (str) -- 使用するLLMプロバイダーの名称(例: "openai", "lmstudio", "azure")。
model (str) -- 使用するLLMのモデル名(例: "gpt-4o", "llama3")。 LM Studioなどローカル環境では`openai/`プレフィックスが自動で処理されます。
context (str) -- LLMに与える追加の補助情報や専門用語の候補など。 校正の精度向上に役立ちます。
max_tokens (int) -- LLMからの応答として許容される最大トークン数。 応答の長さを制限するために使用されます。
maximum_chars (int) -- LLMへの入力としてテキストを分割する際の、各チャンクの最大文字数。 大きなテキストを効率的に処理するために使用されます。
- 戻り値:
LLMによって校正された、整形済みのテキスト。
- 戻り値の型:
- 例外:
RuntimeError -- LLMの呼び出しに失敗した場合や、LLMが有効な校正本文を返さなかった場合。