COLUMN

AI音声認識とは？仕組み・活用方法を分かりやすく解説

NTT東日本のクラウドAIに関するソリューション資料です。ぜひダウンロードしてご活用ください。

AIを活用した音声認識技術は、昨今急速に身近な存在になりつつあります。例えば、スマートフォンに搭載されている「Siri」や「Google音声アシスタント」に話しかけるだけで音声が認識され、即時に回答を得たり画面の操作をしたりすることが可能です。

しかし、こうした音声認識がどのような仕組みで行われているか深く理解している方は少ないのではないでしょうか。また、「音声認識AIをビジネスに導入して効率化を図りたいけど、具体的に何ができるか分からない」という方もいるのではないでしょうか。

そこで今回は、音声認識とは何か・AIとは何かという基礎的な内容から、音声認識AIでは何ができるのか、メリットや課題は何か、具体的な事例まで、詳しく解説していきます。

「ITR Market View：AI市場2021」によると、音声認識を含むAI市場は急速に伸びており、2020年度の音声認識市場の売上金額は前年度比で20.0%も増加しています。

DX（デジタルトランスフォーメーション）の重要性が叫ばれる中、業界での競争力を強固にしたい企業さまは、ぜひこの記事を最後までお読みいただき、音声認識AI導入を検討してみてはいかがでしょうか。

出典：ITR Market View

NTT東日本のクラウドAIに関するソリューション資料です。ぜひダウンロードしてご活用ください。

1.【基礎知識】AI音声認識とは

AIによる音声認識の仕組みや活用方法について深く理解するには、まず「音声認識とは何か」「AIとは何か」という基礎知識から押さえておく必要があります。しっかり理解していきましょう。

1-1. 音声認識とは

音声認識とは、人間が話した声を解析し、文字（テキスト）に変換する技術のことをいいます。

実は音声認識技術の歴史は長く、本格的な研究は1971年にアメリカで始められたのが最初だと言われています。しかし当初はユーザーが満足できる精度には届かず、一般家庭に普及するレベルには至っていませんでした。

しかし2000年代にアルゴリズムの改善により音声認識の精度が向上し、音声認識搭載のカーナビやパソコンのアプリケーションソフトなどが普及し始めます。

その後、AI（人工知能）技術と組み合わせることで音声認識の精度は飛躍的に向上しました。現在では、スマートフォンに搭載されている「Siri」や「Google音声アシスタント」、話しかけるだけでさまざまな操作ができるスマートスピーカーなど、身近な機器にも搭載されています。

1-2. AI（人工知能）とは

AI（人工知能）とは、人間のような知能を持ったコンピューターのことをいいます。AIにはさまざまなレベルのものがありますが、特に「深層学習（ディープラーニング）」という技術を取り入れたAIにより、音声認識技術は飛躍的に精度が上がりました。

深層学習（ディープラーニング）とは、大量のデータからAI自らが自律的にパターンを学習する手法をいいます。これにより、人間が特徴を教え込まなくても自動的に特徴を抽出して学習することが可能となりました。

元々あった音声認識技術にAIを取り入れることで、精度が飛躍的に向上するだけでなく、より多様なシーンで音声認識を活用できるようになったのです。

2. 従来型の音声認識の仕組みをステップごとに解説

現在多く使われている音声認識システムは「DNN-HMM型」といい、音響モデル、言語モデル、発音辞書という3つのモジュールを組み合わせることで実現されています。

ここからは、初心者でも理解しやすいよう、従来型の音声認識の仕組みを5つのステップに分けて具体例を示しながら解説していきます。

2-1. 音声認識の仕組み①：音声入力

まずは、認識したい音声を、マイクなどの入力装置で録音・入力します。最近では、スマートフォンのマイクなどで気軽に入力する例も増えてきています。

2-2. 音声認識の仕組み②：音響分析（音声のデジタル化）

次に、入力した音声から特微量（特徴が数値化されたもののこと）を抽出し、コンピューターが認識しやすいデータに整形します。この作業を「音響分析」といいます。入力された音声データの周波数や強弱、音と音の間隔、時系列などさまざまな特徴を抽出して、コンピューターが認識しやすいデータに変換します。

人間の場合は雑音などが入った生データでも音声を聞き取ることができますが、コンピューターはそのままでは音声を認識するのが難しい場合があります。そのため、コンピューターが認識しやすいように加工し、そのデータを土台として音声認識を進めていきます。

2-3. 音声認識の仕組み③：音波から音素を特定（音響モデル）

音響モデルでは、入力された音声から抽出された特徴がどの「音素」に近いかを見つけ出して、テキスト化する作業を行います。

音素とは、意味の違いに関わる最小の音声的な単位をいいます。音素は言語によって構成が異なりますが、日本語では母音、子音、撥音（ン）の3種類から成り立っています。例えば「ありがとう」という言葉は、「a-r-i-g-a-t-o」という音素列で構成されます。

入力された音声と、コンピューターが持つ統計的に処理したデータを照らし合わせて、その音声が「あ」なのか「い」なのか「お」なのか、一番特徴が近い音素を選んで出力します。

実際に音声認識を行う場合は、こうした音響モデルを基に、音声から音素列を分析して出力されます。例えば「駅の近くの家」という音声が入力された場合、「ekinochikakunoie」または「ekinoshikakunoie」という音素が、候補として抽出されます。

2-4. 音声認識の仕組み ④：音素の並びを特定して単語に変換

音素を抜き出しただけではただのアルファベットの羅列であり、意味のある言葉になっていません。そこでこのステップでは、音素を意味のある単語に変換する作業が行われます。

例えば「watashihasusukidesu」または「watashihasuzukidesu」という音素の候補が合った場合、「私」「わ／は」「ススキ／鈴木」「です」などの意味のある単語の候補に変換していきます。

この段階で用いられるモデルが「言語モデル」や「発音辞書」です。

発音辞書とは

発音辞書とは、単語とその発音がセットで登録された辞書のことです。例えば「好き」という単語の発音は「suki」であるということが登録されています。

前段階で特定された音素と発音辞書をマッチングして、単語に変換します。これにより、ただのアルファベットだった文字列が、日本語のテキストに変換されます。例えば「chikaku」という音素があった場合、「近く」「地殻」「知覚」などの意味のある言葉が、単語の候補となります。

言語モデル（HMM）とは

言語モデル（HMM：隠れマルコフモデル）では、多くの日本語テキストを統計的に処理して、単語間の出現度合いの確率が高い組み合わせに決めて文章化します。「Aという単語の後にはBという単語が来ることが多い」などスコアを付けることで、音声認識結果の精度を上げることができます。

こうした処理を経て、より確率的に高い組み合わせが選ばれます。その結果、「ekino chikaku no ie」または「ekino shikaku no ie」という音素列の候補があった場合に、「駅の四角の家」でも「液の地殻の家」でもなく「駅の近くの家」という出力結果を得ることができるのです。

2-5. 音声認識の仕組み⑤：テキストとして出力

ここまでの経過を経て、最終的に、自然な文章となる可能性が高い文字列に特定されたものが、テキストとして出力されます。

3. AI（深層学習）により音声認識の精度が飛躍的に向上

AIの深層学習（ディープラーニング）が取り入れられる前には、「GMM-HMM型」という手法で統計モデルを基に音声認識が行われていました。しかし、その「音響モデル」がAIの深層学習（ディープラーニング）に置き換えられるようになり、AI導入前よりも認識精度が向上しました。

さらに最近注目されている「End-to-Endモデル」という音声認識モデルは、「DNN-HMM」の3つのプロセス（言語モデル・発音辞書・言語モデル）を1つのニューラルネットワークにまとめて出力できる技術です。

複数の処理を組み合わせる従来型の音声認識に対して、End-to-Endモデルは人間の脳の処理系統と同じように、入力から出力までダイレクトに音声を認識できる仕組みです。

End-to-Endモデルの音声認識AIはまだ実用化され始めて間もない技術で、認識結果を出すまでに時間がかかるデメリットもあります。しかしさらに研究が進めば、こうしたデメリットを克服し、認識精度の高い音声認識を可能にすることが期待されています。

このように、音声認識の過程で「深層学習」が取り入れられるようになり、音声認識の精度は飛躍的に向上しました。音声認識の精度は、WER（単語認識誤り率）の低さで確認することができます。

認識精度が向上したことにより、さまざまな機器やサービスが実用化され、使われるシーンも飛躍的に増えたのです。

4. 音声認識AIの導入で実現できること

ここまで解説したように、音声の識別にAIのディープラーニングが活用されたことで、音声認識の精度は大きく向上しました。AIを活用した音声認識では具体的に何ができるのか、どのようにビジネスに生かせるのか、具体的な事例とともに紹介していきます。

4-1. 議事録の自動作成や録音の文字起こし

会議や打ち合わせの内容を記録する議事録には、正確性とスピードの両方が求められます。そのため、担当者のスキルによって、議事録を作成する時間や内容の正確性にバラツキが発生してしまうことがあります。

しかし最近では、音声認識AIを搭載し、リアルタイムに自動で議事録を作成できるツールも増えています。また、議事録だけでなく、問い合わせ電話の内容をその場でテキストに変換して記録したり、録音データから文字起こしをしたりというシーンにも対応できます。

4-2. 多言語間の通訳・翻訳

AI音声認識を応用した翻訳機を導入することで、多言語間の通訳や翻訳が可能となります。例えば、音声翻訳機の販売金額シェアNo.1（※）を誇る「ポケトーク」では、最大70言語間の翻訳が可能です。

※GfK Japan調べ 2021年1月～12月 全国有力家電量販店の販売実績の集計結果に基づく 「電子手帳・辞書」より「翻訳機」を抽出 ベンダー別販売金額におけるシェア

これまで通訳を通して行っていた多言語間コミュニケーションが、通訳なしで実現できます。また、対面だけでなく、Web会議に対応した翻訳システムも多く実用化されています。

4-3. 音声のみでの文字入力

音声認識AIを使えば、音声を発するだけで自動的に文字を判定し、さらには漢字変換まで行い、テキストを作成することが可能です。

手を使ってタイピング入力する場合は、文字を入力した後に漢字の候補を選び、変換に間違いがないか確認するという工程が必要です。しかし、音声認識AIを使えば、話しかけるだけで文章が完成します。どの漢字を使えば良いか悩む必要もないため、入力速度が各段に早くなります。

もちろん変換間違いがあれば手直しの手間が発生しますが、多くのシーンで有効に活用できるでしょう。例えば分刻みで業務が詰まっているビジネスパーソンでも、移動中に音声でメール文の下地を作り、少し手直しするだけでメールを送付することが可能です。

4-4. 音声での機器の起動・操作指示

音声認識AIを活用すれば、手を使わずに音声のみで機器の起動や操作の指示を出すことが可能です。例えばAIスピーカーでは、スピーカーに音声で話しかけるだけで、連携しているエアコンのスイッチを入れたり、今日の天気を検索させたり、音楽を流したりすることができます。

ビジネスシーンでの活用方法としては、例えば工場に音声認識AIを導入すれば、一人で何台ものロボット操作しながら作業することもできるでしょう。

4-5. コンピューターとの会話

スマートフォン搭載アシスタント（「Siri」や「Googleアシスタント」など）、Webサイトで問い合わせ対応を担う「チャットボット」など、人間と会話ができるサービスも登場しています。

これらは、AI音声認識の技術に「自然言語処理（NLP）」の技術を組み合わせて、コンピューターと人間の会話を成立させています。自然言語処理とは、人間が話す言語の意味をコンピューターで分析する技術のことをいいます。

このように、音声認識に別のAI技術を組み合わせることで、さらに音声認識AIの可能性は広がります。

5. AI音声認識をビジネスに活用するメリット

AI音声認識をビジネスに活用するとどのようなメリットがあるのか、解説していきます。

5-1. 手間のかかる業務を圧縮できる

AI音声認識を業務に導入すれば、議事録の自動作成、会議や打ち合わせの録音データの書き起こし、入電内容のテキスト化など、手間のかかる作業を削減できます。

例えば、30分間行われた打ち合わせ内容を書き起こすためには、30分以上の時間が必要となるでしょう。しかしAI音声認識なら、発言をリアルタイムで書き起こしてくれるシステムもあります。

業務を効率化できれば、残業時間を圧縮して労働環境を改善したり、空いた時間を売上アップ施策に使って利益を増やしたりすることが可能となります。

5-2. 問い合わせや窓口対応を自動化できる

対話が可能な音声認識AIボットを導入すれば、電話での問い合わせ対応や、対面での窓口案内業務などの一部を自動化することも可能です。

例えば、コールセンターや社内ヘルプデスクの一次対応に音声認識AIを導入すれば、質問内容を聞き取ったり、FAQから自動回答を返したりという対応が可能です。回答が難しい場合にはオペレーターに転送して、担当者が回答します。

また、対面での利用シーンとしては、窓口案内を音声認識AIが代行することが可能です。

5-3. 高い操作性を提供できる

音声認識AIは声で操作できるため、操作性が高く、誰でも使えるメリットがあります。

キーボード入力やボタン操作の場合、慣れていない担当者や顧客だと操作が難しく、不満の原因になりかねません。しかし音声認識AIなら、人と会話するように操作が可能なため、ユーザビリティが向上し、誰でも簡単に扱うことができます。

また、手が汚れていても濡れていても、移動しながらでも、別の機器を操作しながらでも指示を出すことが可能です。

6. 音声認識AIのビジネス活用事例

ここからは、音声認識AIを導入したビジネス活用事例を2つ紹介します。

6-1. AI議事録作成システムにより業務時間を大幅削減（自治体）

出典：株式会社アドバンスト・メディア

現在では多くの自治体が、音声を書き起こすツールとして音声認識AIツールを活用しています。例えば、株式会社アドバンスト・メディアの「AmiVoice」というAI議事録作成システムは、全国自治体の5分の1以上が導入しているそうです（2021年6月時点）。

出典：PR TIMES

その他、NTTコミュニケーションズの「COTOHA Meeting Assist」、時空テクノロジーズの「ログミーツ」、イグアスの「AI Minutes for Enterprise」など、さまざまな企業が提供しているAI議事録作成システムが色々な自治体で導入されています。

茨城県つくば市では、2019年にAIを活用した議事録作成システムを導入し、5カ月をかけて効果を実証する取り組みが行われました。その結果、全体の大まかな内容をまとめる作業については、7割もの業務時間削減効果があったそうです。職員からも「業務の負担が大きく減った」という声が多く寄せられたといいます。

さらに、システムに搭載されている学習機能を活用することで、音声認識率も当初より10%ほど向上しました。このように、使えば使うほど精度が上がる音声認識AIは、自治体はもちろん多くの企業での業務効率化を推し進める効果が期待されます。

参考：自治体通信ONLINE＞簡単に「学習」させられるAI音声認識技術が、行政の業務効率化を大きく促す

6-2. AI音声合成でコールセンターの業務効率が大幅アップ（東北電力）

出典：東北電力

東北電力株式会社は、コールセンター業務に音声認識AIの仕組みを導入し、オペレーター業務の負担軽減に成功しました。

例年、2～4月の引っ越しシーズンには特に電話の問い合わせが集中し、電話がつながりにくくなる状態が続いていたそうです。そこで、その課題を解決するために、AIを活用した音声合成と、入力音声のテキスト化を組み合わせた進化型IVR（自動応答システム）を導入しました。これにより、一部の電話対応について、終話までの全てを音声合成ガイダンスによる案内に切り替えることができたそうです。

顧客からの電話があった際には、まず自動応答で用件を聞いて、引越・アンペア変更・申込書郵送の3つのコールフローに振り分けます。その後、郵便番号はボタンをプッシュしてもらいますが、氏名や住所は音声で吹き込んでもらい、音声認識処理がされます。引越しの場合は重要事項説明を自動音声で行い、終話となります。

顧客が吹き込んだ氏名や住所はその場でテキスト化されてRPA（顧客管理システム）に転記されます。そのため、オペレーターが入力する手間が不要となり、オペレーターの処理時間も半減したといいます。

コールセンターではオペレーターの人材不足が深刻な課題となっており、この事例のように多くの現場で音声認識AIの導入が進んでいます。

参考：NTTテクノクロス＞導入事例＞東北電力株式会社 様

NTT東日本のクラウドAIに関するソリューション資料です。ぜひダウンロードしてご活用ください。

7. 現状のAI音声認識の課題

ここまで解説したように、音声認識はAIと組み合わせることにより、精度が向上しただけでなく使い方も多様となりました。現在ではさまざまな機器やサービスにAI音声認識技術が搭載され、多種多様な分野で活用されています。

しかしながら、音声認識技術はまだまだ発展途上であり、今でも進化し続けています。ここでは、現状のAI音声認識の課題について解説します。

7-1. 雑音・ノイズが多いと認識精度が下がる

通常の音声認識では、雑音やノイズが入っていないクリアな音声と比べると、雑音やノイズが多い音声の認識精度はどうしても下がってしまいます。この場合、音声認識させるマイクを性能の良いものに変えたり、ノイズを低減できるソフトを導入したりと、仕組みを整える必要があります。

ただし最近では、雑音やノイズがあっても音声認識が可能なAIも登場しています。NTTが実現した「SpeakerBeam」という技術では、大きな雑音の中でも必要な音声を認識して正確に書き起こしたり、複数人の会話を聞き分けて書き起こしたりすることが可能です。

参考：NTTグループニュースリリース

AIの進化とともに、雑音やノイズ、複数人の会話であっても高い精度を誇る音声認識の登場が期待されています。

7-2. 方言など標準語以外の認識精度が下がる

標準語（共通語）の音声と比べると、方言やスラング、若者言葉などの音声の認識精度は下がるといわれています。なぜならば、音声認識モデルの多くが標準語で作られているからです。方言に対応できる音声認識を実現するためには、方言をAIにおぼえこませる必要があります。

この課題を解決するため、方言に対応したAIの開発も進んでいる最中です。2018年には、札幌・仙台・名古屋・大阪・広島・博多・熊本の7地域の方言に対応したAIをNTTの研究開発部門が開発したと発表しています。

参考：日本経済新聞「NTTのAI、仙台や広島の方言も聞きとれます」

7-3. 音声認識AIに意訳はできない

以前と比べると飛躍的に進化した音声認識AIですが、人間が日常会話で行うような意訳的な文章を理解することはできません。

例えば、人間同士の会話なら、親が子どもに「夜遅いから気を付けてね」と言った場合、「危ないから帰り道に気を付ける」という意味が含まれていることが理解できます。しかしAIは、そうした人間にとっては常識的なニュアンスを汲み取ることはできません。

そのため現状では、AIから正確な回答を得るために、人間側が細かく説明して内容を補完する必要があるのです。

8. 音声認識AIを気軽に導入するならNTT東日本にご相談ください

「自社でも音声認識AIをしてみたいけれど、どのように導入を進めれば良いか分からない。」―そんな企業様におすすめなのが、クラウド型（学習済み）の音声認識AIです。

クラウド型のAIとは、AIに必要な学習モデルやデータベースが全て既に備わっていて、クラウド上で提供されるAIのことです。例えばクラウド型の音声認識AIなら、音声認識できるよう既に学習されているため、導入後すぐに文字起こしや音声合成などの機能を使うことができます。

そして、クラウド型AIの導入をお考えなら、ぜひ一度NTT東日本にご相談ください。ここからは、NTT東日本でクラウドAIを導入するメリットについて詳しくご説明します。

8-1. AIもクラウドも知り尽くした専門家がワンストップでサポート

NTT東日本には、クラウドにもAIにも知見がある人材が揃っており、お客さまのクラウドAI導入をワンストップでサポートします。

「クラウド導入はA社、AI導入はB社」のように会社を分けて導入してしまうと、トラブルがあった際の切り分けが難しく、対応に時間がかかる可能性があります。NTT東日本にお任せいただければ、ネットワークからクラウド、AIを組み込んだシステムの構築まで、幅広いサポートが可能です。

8-2. ビジネスの課題解決に向けた最適なサービスを提案可能

豊富なコンサルティング実績を持つNTT東日本では、お客さまの課題やニーズを丁寧に汲み取った上で、最適なサービスの提案を行っています。

例えば「クラウドサービスはAWSがいいのか、Microsoft Azureがいいのか」という質問には、実は明確な答えはありません。お客さまが実現したい目的達成によって、最適なサービスが異なるからです。こうしたクラウドサービス選定はもちろん、ネットワーク環境、セキュリティ、コストなども含めてワンストップで提案させていただきます。

「どんなことが実現できるか知りたい」「予算がどのくらいかかるか知りたい」など、導入を迷っている段階でもぜひお気軽にお問い合わせください。

まとめ

この記事では、AIを活用した音声認識について詳しく解説してきました。

近年、深層学習によって音声認識の精度は飛躍的に向上しました。そのため、ビジネスに取り入れることでさまざまなことが可能となりました。

そうした音声認識AIを現場に導入することで、以下のようなメリットを得ることができます。

音声認識AI導入でさまざまな業務の効率化を図ることができるため、コールセンターや自治体はもちろん、多くの企業での導入事例が相次いでいます。

DX（デジタルトランスフォーメーション）の必要性が叫ばれる今、ビジネスをより進化させたいとお考えの企業は、音声認識AIを活用してビジネスに新しい風を吹き込んでみてはいかがでしょうか。