ざっくり言うと

音声認識（Speech-to-Text、略してSTT）とは、人が話した声をコンピューターが文字に変える技術です。

録音した会議やインタビューを渡すと、話した中身がテキストになって返ってきます。

会議の文字起こし、動画の字幕、スマホの音声入力。気づかないうちに、毎日のように使っている技術です。

イメージ

かかる時間や精度は、音声の長さ・品質・言語・使うサービスによって変わります。認識結果はそのまま完成原稿ではなく、人が聞き直す作業を減らすための下書きです。

反対向きの技術が、音声合成（Text-to-Speech、TTS）です。文字を声に変えるもので、読み上げ機能などがこれにあたります。STTとTTSはちょうど逆の関係なので、セットで覚えておくと混ざりません。

正確には

音声認識は、英語でAutomatic Speech Recognition（ASR）、またはSpeech-to-Text（STT）と呼ばれる技術です。マイクから入った音の波形を解析し、それがどの言葉のどの音なのかを推定して、テキストとして出力します。

公式に提供されている主要なサービスでは、機械学習やニューラルネットワーク（たくさんの例から規則性を学ばせる仕組み）を使い、音そのものと前後の文脈から文字列を推定しています。モデルの作り、対応している言語、雑音への強さは、サービスによって違うのがふつうです。

代表的なサービスと、公式が挙げている特徴

名前提供元特徴（公式情報より）
Whisper / OpenAI Audio APIOpenAIWhisperは多言語の音声認識と、英語への翻訳に対応。Audio APIでは、Whisper系以外の文字起こしモデルも案内
Google Cloud Speech-to-TextGoogle Cloud音声を送って文字起こしを受け取るAPI。短い音声・長い音声・ストリーミングのガイドを提供
Azure Speech in Foundry ToolsMicrosoftリアルタイム・高速・バッチの文字起こしと、分野に合わせるCustom Speechを提供
Amazon TranscribeAWS録音音声のバッチ処理とストリーミング処理、話者の分離や言語カスタマイズを提供

対応している言語の数や機能の細かい内容は、各サービスの更新で頻繁に変わります。使う前に、その会社の公式ドキュメントの最新ページで確認する癖をつけておくと安心です。

声が文字になるまでは、大きく3段階です

大まかにいうと、次のような流れです。実際の構成はモデルごとに違い、処理を何段にも分ける古典的な方式と、音声から文字列をまとめて予測するend-to-end方式があります。

  1. 音声を、扱いやすい区間や数値の形へ変換する
  2. 学習済みのモデルが、音の特徴と文脈から文字列を予測する
  3. 必要に応じて、句読点・時刻の情報・話者の区分などを付けて出力する

たとえばWhisperは、音声を一定の長さの区間に切り、log-Mel spectrogram（音の特徴を数値で表したもの）へ変換します。そこからencoder-decoder Transformerで文字列などを予測するend-to-endの構成だと、公式に説明されています。この仕組みを、全サービス共通の内部構造だとは考えないでください。

使う場面

個人事業主の仕事では、こう使えます

長い音声ほど、下書き作成の負担は減らしやすくなります。一方で、確認にかかる時間は録音品質や固有名詞、話者の重なりで変わります。効果を見るときは、音声の長さだけでなく、人がどこまで修正したかも一緒に測りましょう。

注意点

議事録として残す場合も同じです。その用途に必要な精度を先に決め、固有名詞・数字・話者・決定事項を確認してから正式な記録にしましょう。

音声には、文字より踏み込んだ情報が残ります

音声には、誰が何を話したかがそのまま残ります。文字だけの記録より、ずっとセンシティブな情報です。

関連用語

  • 音声合成（Text-to-Speech） — 文字を声に変える、音声認識とちょうど逆向きの技術です。
  • マルチモーダルAI — 文字・画像・音声など、複数の種類の情報をまとめて扱えるAIの性質です。
  • OCR（文字認識） — 画像やPDFに写った文字を、検索もコピペもできるテキストに変える技術です。

やってみよう