進化している音声認識

機械が音声を認識して記録や処理をしてくれる音声認識は、年々精度が上がっています。一昔前に比べてかなり正確に聞き取ってくれるようになりました。その背景には、クラウド上で情報を処理する『クラウド型音声認識』の発達があります。

ここでは、クラウド型音声認識の仕組みや、音声認識ソフトを文字起こしに使うためのコツについてまとめました。

音声認識も『クラウド』経由に

多くのスマートフォンには、音声認識機能がついています。この機能はスマートフォンに向かって話したことを、自動的に認識してくれるものです。文字を打つよりも早く簡単なため、現在スマートフォン以外の多くの機器でも利用され始めています。

特に今注目されているのが、クラウド型音声認識です。これは通常の音声認識にネットワーク機能を組み込んだもので、インターネットを経由して音声認識を行います。これによって、生活の中でもできることが広がっているのです。

GPS機能と音声認識型の検索機能を備えていれば、自分が今いる場所を自動的に割り出し検索することが可能です。例えば表参道にいる際に、スマホに向かって『イタリアン』と言えば、表参道にあるイタリアンのお店を検索してくれます。これはインターネットを経由したクラウド型音声認識であるからこそできるものです。

このようなクラウド型音声認識は、住宅の設備でも登場しています。「電気をつけて」「電気を消して」とスマートフォンに向かって言うことで、離れた場所からでも照明のスイッチ操作などが可能になりました。これは、ネットワークで家中の機器とスマートフォンをリンクさせているために可能になっている技術です。

もともと、音声認識は単体のものが基本でした。しかしインターネットが普及したことにより、インターネットと組み合わせて使用するクラウド型音声認識が主流になりつつあるのです。

クラウド型音声認識は、さまざまな音声パターンを覚える

パソコンのオペレーションシステムにも、音声認識機能がついています。ただし、パソコンについている音声認識機能は単体アプリで、インターネットを介していません。この単体アプリとクラウド型の大きな違いは、学習の仕方の違いです。

単体アプリの場合、言葉を繰り返し学習させることで精度を上げることができます。このトレーニングをしていくと、最初は60パーセントほどだった精度を80パーセントまで上げることもできるでしょう。ですが、単体アプリは同じ話者の言葉を聞き、その人の話の癖や声を見抜きそれを反映させていくシステムです。1人の話し方に特化してしまうため1人の言葉しか正確に認識できません。つまり、他の人が話すと途端に精度が落ちてしまうのが難点です。

対してクラウド型の音声認識は、インターネットを経由して多くの人の声を分析します。不特定多数の癖や声で勉強するため分析結果が無数に用意されており、それらを元にして自分が話した言葉を分析するため、精度は格段に上がります。

音声認識はテープ起こしに使えるか？

音声認識を使用したテープ起こしのクラウドサービスは、上手に使えば作業効率向上が期待できます。特に長時間の会議などのテープ起こしに有効な手段です。ただし最初から完璧に認識させるのは難しいため、認識しやすい復唱の仕方などのコツをつかむ必要があります。

音声での読みあげが終わったら、テープ起こしのサービスに音声データを読み込ませて確認しましょう。誤変換や意味が通じない言葉になっていることもあるため、編集アプリで修正します。自力で音声を聞きながら文字に起こしていくよりは、ずっと楽な作業になるでしょう。

音声認識を利用した文字起こしをする際に注意したい点は、音声データをそのまま音声認識にかける方法では、正しく認識するのは困難だということです。音声データでは複数の人が話していることも多く、雑音が入るとその音と混ざって認識されてしまうこともあります。

効果的にテープ起こしを行うのであれば、雑音を拾いやすいICレコーダーを使うのはおすすめできません。できる限りマイクを利用しましょう。もしICレコーダーを使用したいなら、外部マイクに接続して録音するのがおすすめです。音声認識に適した録音方法はこちらで紹介しています。

音声認識とクラウドを利用したテープ起こしサービスVoXT

　VoXTでは音声認識とクラウドを利用してテープ起こしを行います。VoXTセルフでは、クラウド形の音声認識を利用してアップロードされた音声をテキスト化します。併せて、音声入力機能では、単体の音声認識アプリと同様に自分の声を学習します。VoXTサービスの音声認識は、単体アプリとクラウドのメリットを両方とも利用することが可能になっています。

　また、VoXTでは音声認識だけではなく、専用のテープ起こしツールも準備しています。再生、停止、早送り等がキーボード操作で行えるため、わざわざ再生プレーヤーにカーソルを動かしたりする必要がありません。こちらのツールの利用は無料となっています。

　いくつかのサービスを組み合わせて利用することで、VoXTでは従来の2倍～3倍のスピードで文字起こしを行うことが可能となっております。

おわりに

音声認識は、タイピングが苦手な人には便利なツールです。精度も上がってきているため、テープ起こしにも十分利用できます。