音声認識(Speech-to-Text)
「Speech-to-Text(STT)」= 人間が話した声をコンピューターが文字に変換する技術。会議の文字起こしや字幕生成、音声入力で使われる仕組みを、Whisper・Google・Azure・Amazon の公式情報に沿って小中学生でも分かるレベルに超訳します。
ざっくり言うと
会議の文字起こし、動画の字幕、スマホの音声入力など、気付かないうちにあなたも毎日のように使っている技術です。
イメージ
正確には
音声認識は、英語で Automatic Speech Recognition(ASR) や Speech-to-Text(STT) と呼ばれます。マイクから入った音声波形を解析し、それが「どの言葉のどの音か」を推定して、テキストとして出力する処理です。
近年は ディープラーニング(深層学習) を使った方式が主流で、多言語・話者の違い・雑音への耐性が大きく向上しています。
代表的なサービス・モデル
| 名前 | 提供元 | 特徴(公式情報より) |
|---|---|---|
| Whisper | OpenAI | 多言語対応の音声認識モデル。OpenAI 公式は「多言語の音声認識と翻訳に対応」と説明(Introducing Whisper) |
| Google Cloud Speech-to-Text | Google Cloud | 多言語対応の音声認識 API。対応言語の一覧と詳細は公式ドキュメントに記載 |
| Azure AI Speech (Speech to text) | Microsoft | リアルタイム / バッチ両方の文字起こしに対応。話者識別やカスタム音声モデルなども提供(Microsoft Learn) |
| Amazon Transcribe | AWS | 録音音声・ストリーミング音声の文字起こしサービス。多言語対応・話者分離などを提供(AWS 公式ドキュメント) |
どんな仕組みで動いているの?
ざっくり言うと、次のような流れです。
- 音声を細かい区間に分ける(数十ミリ秒ごと)
- 各区間の音の特徴を数値化する(周波数の分布など)
- ニューラルネットワークが「この音はどの言葉のどの音か」を推定する
- 言語モデルが「文として自然な並び」に整える
つまり、「音の特徴を読み取るパート」と「言葉として自然につなぐパート」の 2人がかりで文字起こしをしている、と思うとイメージしやすいです。
何に使える?
特に 「1時間の音声を文字起こしする作業」 は、人手でやると半日仕事になりがちです。これが AI 音声認識でほぼ自動化できると、そのまま半日分の時間が浮くので、コスパが分かりやすい使い道です。
注意点
特に 議事録として残す場合、AI の文字起こしをそのまま正式記録にするのは危険です。「AI は下書き、最終チェックは人間」 が鉄則です(これは AI 全般に通じる話です)。
プライバシーにも注意
やってみよう
逆向きの「文字 → 音声」については、関連記事の音声合成(Text-to-Speech)で扱います。また、音声・画像・テキストなど複数の入力を扱う AI の話は、マルチモーダルAIもあわせて読むと、全体像が見えてきます。
参考ソース
UPDATES
新着用語をLINEでお届け
新しい用語記事やAIの最新ニュース、仕事に役立つヒントをお届けします！
リンク先は、運営元の Nanoha AI Labo 公式LINEです。