音声認識とは、人が話した声をコンピューターが聞き取り、文字のデータに変換する技術のことです。スマートフォンの音声入力や、会議の文字起こしなど、身近なところで使われている技術です。AIの発達で聞き取りの精度が大きく上がり、文字にした内容を生成AIで要約したり、システムに登録したりと、その先の業務にもつなげやすくなりました。
音声認識は、どんな仕組みか?
取り込んだ声から特徴を取り出し、AIが、どの言葉が話されたかを推定して文字にします。いまは、大量の音声と文字の組み合わせから学んだAIが使われています。
声を取り込む
マイクや録音ファイルから声を取り込み、雑音を減らすなどの下ごしらえをします。
言葉を推定する
声の特徴と、前後の言葉のつながりから、どの言葉が話されたかをAIが推定します。
文章に整える
句読点を付けたり、数字の書き方をそろえたりして、読みやすい文章にします。誰が話したかを区別できるものもあります。
音声認識で、何ができるのか?
会議や商談の文字起こし、コールセンターの通話の記録、手が離せない現場での声による入力など、話した内容を文字として残したり、使ったりする業務に向いています。
- 会議や商談の文字起こしと、議事録の下書きづくり
- コールセンターの通話の記録と、問い合わせ内容の分析
- 現場で手が離せないときの、声による報告や入力
- 研修や説明会の動画の字幕づくり
音声認識の精度は、何で変わるのか?
精度は、録音の環境、話し方、使われる言葉の種類で大きく変わります。特に、雑音の多い場所、複数の人が同時に話す場面、社内の略語や専門用語は、聞き間違いが起きやすくなります。
- 録音の環境
- マイクと話す人の距離や、周りの雑音で精度が変わります。会議では、参加者の近くにマイクを置くと聞き取りやすくなります。
- 話し方
- 早口や、何人かの声が重なる場面は聞き取りにくくなります。
- 言葉の種類
- 社内の略語や製品名、専門用語は、別の言葉に聞き間違えやすくなります。よく使う言葉を辞書に登録できるツールもあります。
音声認識を業務で使うときの注意点は?
主な注意点は、録音することを相手に伝えること、文字にした内容を人が確かめること、録音データの置き場所と保存する期間を決めることの3つです。
- 録音することを伝える
- 会議の参加者や電話の相手には、録音して文字にすることを、あらかじめ伝えておきます。
- 人が確かめる
- 数字や固有名詞の聞き間違いは、意味を大きく変えてしまいます。大事な記録は、人が読み直してから使います。
- データの扱いを決める
- 録音には、お客様の情報や社内の機密が含まれます。どこに保存し、いつ消すか、AIの学習に使われない設定になっているかを確かめておきます。
トラックファームでは、音声認識をどう使っているか?
文字にしたあとの使い道まで決めてから、業務に組み込みます。会議の記録なら要約と次にやることの整理まで、通話の記録なら顧客管理のシステムへの登録まで、業務の流れの中に入れて設計します。
よくある質問
音声認識の精度は、どのくらいですか?
録音の条件がよければ、読み返して意味が分かる程度には文字にできることが多いです。ただ、雑音の多い場所や、専門用語の多い会話では間違いが増えるため、大事な記録は人が確かめてから使います。
方言や外国語も、文字にできますか?
多くのツールが、日本語と英語などの主な言語に対応しています。方言や訛りの強い話し方は精度が下がることがあるため、実際の録音で試してから使うのがおすすめです。
