音声認識とは？仕組み・精度・活用例をやさしく解説

スマホに向かって話しかけると、画面に文字が並んでいく。会議の録音を渡すと、数分後には発言がそのままテキストになって返ってくる。当たり前に使っているこの機能が、実際に何をしているのかを説明できる人は、意外と少ない。

音声認識とは、人が話した音の波形を解析し、対応する文字列に変換する技術のことである。 スマホの音声入力、会議の文字起こし、Siriやアレクサのような音声アシスタント。見た目も用途もばらばらなこれらのサービスは、根っこの部分でこの一つの技術を共有している。

混同されやすいのが、文字を音声に変える逆方向の技術「音声合成（text-to-speech）」だ。ナビの案内音声や読み上げ機能はこちらに当たる。音を文字にする音声認識と、文字を音にする音声合成は、入出力が逆向きの別の技術であり、この記事で扱うのは前者のほうだ。

音声認識はどう動いているのか

古くからある音声認識は、大きく2つの部品を積み重ねて動いていた。

まず音響モデルと呼ばれる部品が、録音された音の波形を、言語の最小単位である音素（「あ」「か」のような音のかけら）の並びに変換する。次に言語モデルと呼ばれる部品が、その音素の並びから、文脈として自然な単語・文章を組み立てる。同じ音でも「橋」と「箸」のどちらが正しいかは、音だけでは決められない。前後の文脈から選び直す役目を、言語モデルが担ってきた。

この2段階の仕組みは長く音声認識の主流だったが、近年はエンドツーエンド方式と呼ばれる作り方に置き換わりつつある。音響モデルと言語モデルを別々に用意せず、音声の波形から直接テキストを出力する一つの巨大なモデルを、大量の音声データと書き起こしのペアだけで学習させる方式だ。OpenAIが2022年に発表した音声認識モデルWhisper（Radford et al., "Robust Speech Recognition via Large-Scale Weak Supervision"）は、その代表例の一つで、68万時間分のインターネット上の音声とその書き起こしを学習に使い、人間の精度に近づいたと報告している。段階を分けず学習データの量で押し切る発想が、近年の精度向上を支えている。

一昔前の音声認識には、あらかじめ登録した単語しか聞き取れない、という限界があった。カーナビの音声操作が「目的地」「取消し」のような決まったコマンドしか受け付けなかったのは、その名残りだ。エンドツーエンド方式のモデルは、決まった語彙に縛られず、自由な会話文をそのまま認識できる。雑談も専門的な議論も同じ枠組みで処理できるようになったことが、文字起こしアプリが実用的な精度に達した理由の一つになっている。

処理する場所の違い：端末内かクラウドか

音声認識には、処理をどこで行うかという分け方もある。音声データをインターネット経由でサーバーに送り、そこでモデルを動かすクラウド型と、スマホやPCの中だけで完結させるオンデバイス型だ。クラウド型は大規模なモデルを使える分、一般に精度で有利になりやすい一方、通信が必要になる。オンデバイス型は通信の有無に左右されず、音声データを外部に送らずに済む分、プライバシー面での安心感がある。同じ「音声認識」という言葉でも、どちらの方式かによって、通信環境やデータの扱われ方が変わる点は覚えておいたほうがよい。

精度を左右する要因と、精度の測り方

音声認識の精度は、録音環境と話し方の両方に左右される。主な要因は次の通りだ。

• 雑音：周囲の音が大きいほど、目的の声が音響モデルにとって拾いにくくなる
• 話者とマイクの距離：遠いほど声が小さく、他の音に埋もれやすくなる
• 話者の重なり：複数人が同時に話すと、どちらの声かの切り分けが難しくなる
• 専門用語・固有名詞：学習データに出現頻度が低い語は、言語モデルが自然な単語に「訂正」してしまい、かえって誤りになることがある
• 方言・訛り・話し方の癖：標準的な発音を基準に学習したモデルほど、これらに弱くなりやすい

この精度を数値で比べるために使われるのが、WER（Word Error Rate、単語誤り率）という指標だ。正解のテキストと認識結果を単語単位で比べ、間違って別の単語になった数・抜け落ちた数・余分に出てきた数を合計し、正解の総単語数で割って算出する。値が低いほど誤りが少ない。

ただしWERは、単語の区切りが空白で明確な英語のような言語を前提にした指標である。日本語のように単語の境界がはっきりしない言語では、単語の代わりに1文字ずつを単位にして同じ計算をするCER（Character Error Rate、文字誤り率）が使われることが多い。文字起こしアプリの精度を比べるとき、英語圏の記事ではWER、日本語の評価ではCERという数字が出てきたら、単位が違うだけで、どちらも「誤りの割合」を表している点は同じだと考えてよい。

やっかいなのは、静かな部屋で1人だけがはっきり話しても、精度が完璧にはならない場合がある点だ。専門用語や固有名詞は、学習データの中で出現頻度が低いために、言語モデルが「もっともらしい」一般的な単語に置き換えてしまうことがある。録音環境を整えても消えない誤りがあるのは、この仕組みのためだ。

なお、精度は録音環境だけでなく、AIがどの音声認識エンジンを使っているかでも変わる。エンジン選びの観点から比較したい場合は、文字起こしAIの精度はエンジンで決まる｜選び方のコツで扱っている。

「人の判別」は、音声認識とは別の技術

会議の録音を文字起こしすると、誰が何を話したか自動で分かれて出てくると思っている人は多い。だが厳密には、それは音声認識だけの仕事ではない。

音声認識は「何を話したか」を文字にする技術であって、「誰が話したか」を判断する機能は含まない。話者ごとに声を聞き分け、発言を人物単位で切り分ける処理は、話者識別（話者ダイアライゼーション）と呼ばれる別の技術だ。音声の特徴（声の高さ・話し方のクセなど）を比較し、同じ人物と思われる発言をグループ化する仕組みで、音声認識とは独立して動く。

両方を組み合わせて初めて「Aさんが〜と発言し、Bさんが〜と応じた」という、人物を分けた記録になる。逆に言えば、話者識別が付いていない音声認識サービスで会議を文字起こしすると、3人の発言が誰の区別もなく1本のテキストとして続けて出てくる。読み返して「これは誰の発言だったか」を推測する手間が生まれるのは、音声認識だけでは人物を判別していないためだ。

iPhone標準のボイスメモのように、文字起こしはできても話者を区別しないアプリもあり、その限界はiPhoneボイスメモのAI要約｜純正機能の使い方と限界で扱った。話者識別の対応状況はサービスごとに差が大きいため、複数人の記録が前提なら、文字起こしの精度だけでなく話者識別の有無も確認したほうがよい。

音声認識の活用例

音声認識は単体のアプリとしてよりも、他の作業の土台として使われることが多い。表にすると、意外なほど日常のあちこちに入り込んでいることが分かる。

場面	使われ方
会議・打ち合わせ	発言を文字起こしし、議事録や要約の下地にする
講義・セミナー	話した内容を記録し、後から検索・復習できる形にする
インタビュー・取材	発言をそのまま文字にし、記事や報告書に引用しやすくする
音声入力	スマホやPCへの文字入力を、話すだけで済ませる
字幕・キャプション	動画・配信の音声からリアルタイムまたは事後に字幕を生成する

このうちインタビューは即興性が高く、専門用語も飛び交いやすいため、音声認識の弱点が特に表面化しやすい場面でもある。取材音源の扱い方はインタビュー文字起こしはAIで時短！取材・採用面接で使う録音と編集のコツで扱っている。

こうした場面のうち、録音した音声をまとめて処理したい人にとっては、AIボイスメモという選択肢がある。メモリス（Memolith）は、録音した音声を渡すと、音声認識で文字起こしし、続けて要約まで作るAIボイスメモだ。会議中にその場でテキスト化するリアルタイム処理ではなく、録音を終えたあとにAIへ渡し、数分で文字起こしと要約が仕上がる仕組みになっている。録音の基本的な文字起こし手順は録音の文字起こしを最速に｜スマホ・ICレコーダーの使い方で解説している。

まとめ

• 音声認識は、話した音声をテキストに変換する技術で、文字起こし・音声入力・音声アシスタントの共通基盤
• 従来は音響モデルと言語モデルの2段構成、近年は音声から直接テキストを出すエンドツーエンド方式が主流
• 精度は雑音・距離・話者の重なり・専門用語・方言に左右され、WER（単語誤り率）やCER（文字誤り率）で測る
• 話者を区別する話者識別は音声認識とは別の技術で、両方を組み合わせて初めて人物単位の記録になる

次に文字起こしアプリの「精度99%」といった表記を見かけたら、それがどの条件・どの指標で測られた数字なのか、一度立ち止まって考えてみてほしい。