用語：音声認識（ASR）
AI用語の分類：生成AI・言語・検索・推論
ひとことで：音声認識（ASR）は、人の発話音声を処理して文字列へ変換する技術です。
音声認識（Automatic Speech Recognition、ASR）は、人が話した音声を機械が処理し、文字列へ変換する技術です。Speech-to-Text（STT）とも呼ばれます。会議の文字起こし、字幕、コールセンター記録、音声入力、音声検索などに使われます。
最も大切な境界は、ASRが「音声を理解して何をすべきか決める」技術そのものではない点です。ASRの中心的な出力は文字列です。その文字列を要約したり、質問に答えたり、命令を実行したりする処理は、自然言語処理や言語モデルなど別の機能です。
目次
ASRは何をしているのか
入力はマイク録音や音声ファイルです。モデルは音響信号から発話内容を推定し、「明日の会議は10時です」のようなテキストを出力します。近年のシステムは句読点、話者分離、タイムスタンプ、言語識別などを同時に提供する場合があります。
Google CloudのSpeech-to-Textは[1]、同期処理、非同期処理、ストリーミング処理などの方法を示しています。録音済み長時間音声と、リアルタイム字幕では必要な処理方式が異なるためです。
「認識した」と「理解した」は違う
音声認識が高精度でも、その内容の意味理解が正しいとは限りません。ASRは「きょうはあめです」を正しく文字にできても、それが天気の話か飴の話かを文脈から判断する処理は別の層です。
逆に、言語モデルが文脈から自然な文章へ修正すると、元の発話と違う内容を補ってしまう可能性があります。逐語記録が必要な場面では、読みやすさのための自動修正が正確な記録を損なうこともあります。
精度はどう測るのか
ASRではWord Error Rate（WER、単語誤り率）が代表的な指標です。参照文字列に対して、置換、削除、挿入がどれだけ必要かを計算します。WERが低いほど一般には良いとされます。
ただし、日本語や中国語のように単語境界の扱いが一定でない言語では、Character Error Rate（CER、文字誤り率）などが使われることもあります。製品が「認識精度98%」と宣伝していても、どの指標を100%から引いた数字なのか、評価データが何かを確認しないと比較できません。
雑音、話者、専門用語で性能は変わる
ASRの性能は録音条件に依存します。マイクから遠い、複数人が同時に話す、騒音が強い、方言がある、早口、固有名詞が多いといった条件で誤りが増えることがあります。
専門分野では、医学用語、製品名、人名、略語などが特に問題になります。サービスによっては語彙のヒント、フレーズ適応、カスタムモデルなどを利用できます。Google Cloudのトラブルシューティングでも[2]、認識されにくい語句に対してモデル変更やspeech adaptationを使う方法が示されています。
話者分離と音声認識は別の機能
会議文字起こしでは「誰が話したか」が必要です。話者ダイアライゼーションは、音声区間を話者ごとに分ける技術で、ASRと組み合わせて「話者A: …」「話者B: …」のように出力します。
ただし、話者Aが実在の誰なのかを本人確認する技術とは別です。ダイアライゼーションは「異なる話者を分ける」ことが中心で、顔認証のような個人識別を意味しません。
音声合成（TTS）との違い
ASRは音声→テキストです。TTSはテキスト→音声です。方向が逆です。
音声アシスタントでは、ユーザーの声をASRで文字へ変換し、言語モデルが返答を作り、TTSで音声にする構成がよく使われます。そのため製品としては一つの会話機能に見えても、内部には複数技術が連なっています。
Speech-to-Speechモデルでは文字を明示的な中間表現として出さず、音声から音声へ応答する構成もあります。その場合でも、ASRという用語は通常、音声からテキストを得る処理を指します。
リアルタイムASRの意味
「リアルタイム音声認識」は、話し終わるまで待って全文を処理するのではなく、音声が届くにつれて暫定的な文字列を出力します。会議字幕や通話で必要です。
ストリーミングでは、途中の認識結果が後から修正されることがあります。発話の後半を聞いて、前半の曖昧な単語を修正できるためです。そのため画面に出る「暫定結果」と「確定結果」を区別する設計が重要です。
具体例で読む
医療面談の録音をASRで文字起こしするとします。一般会話で高精度なモデルでも、薬剤名や疾患名を誤認すると実務上重大です。ここでは平均WERだけでなく、重要語の誤り、話者分離、録音品質、後から人間が確認する工程を見る必要があります。
一方、スマートフォンの音声入力では、多少の句読点誤りがあっても実用になる場合があります。同じASRでも用途ごとの許容誤差が異なります。
元の文脈へ戻ったときのチェックリスト
- ASR/STTの出力は文字列か。
- 要約や回答生成まで含めて「音声認識」と呼んでいないか。
- 精度指標はWER、CER、独自指標のどれか。
- 評価データの言語、雑音、話者、専門分野は実環境に近いか。
- ストリーミングか録音後処理か。
- 話者分離、言語識別、句読点は別機能として提供されるか。
- 重要用途では人間による確認が必要か。
ASRを読むときは、「音声を文字にする精度」と「その文字を正しく理解・利用する能力」を分けることが基本です。
関連するAI用語
- 音声合成（TTS）
text-to-speech - Speech-to-Speech
speech-to-speech
注・出典
AI協働制作について
本記事は、著者が独自に設計した指示、参照資料、出典確認規則、著作権確認および監査工程を組み込んだChatGPT等の生成AIを、情報収集の補助、資料整理、構成検討、草稿作成、文章校正および監査補助に使用して制作しました。記事の対象範囲、情報源の採否、構成、解釈および最終表現は著者が判断し、最終稿を承認しています。著者は、本記事の正確性、独自性、引用、著作権処理および公開内容について責任を負います。 制作工程の詳細は「AI協働制作方針」をご覧ください。