音声認識 とは？

録音やマイクの音声を解析し、モデルで話された言葉を推定して文字にするよ。音の特徴や言葉の文脈を利用するけれど、内部の処理が必ず同じ三段階に分かれるわけではない。基本は、話し声から文字を得ることなんだ。

精度は音声と使うシステムによるよ。雑音や反響、複数の人の重なった声、対応する言語や語彙などが関係する。口元に近いマイクで録るなど、入力の質を整えると役立つ。方言だから必ず認識できない、とも一律にはいえないんだ。

録音後にまとめて処理する方式だけでなく、音声を送りながら結果を得る方式もあるよ。例えばGoogleのAPIは途中の結果と確定した結果を区別する。話している途中の文字は後で変わることがあるので、表示された瞬間に最終結果だとは限らないんだ。

聞き違いや固有名詞の誤りが残ることがあるよ。製品によっては専門用語などの候補を渡して認識を助けられる。認識の確からしさを示す値も正解の証明ではないので、重要な記録では元の音声と照らして確認しよう。

役割を分けると分かりやすいよ。音声認識は声を文字にする。文字から意味や意図を扱う処理は別の役割で、文字を声にするのは音声合成。声の主を識別する話者認識も別なんだ。音声サービスでは複数の技術を組み合わせることがあるよ。