通話録音の仕組み

2つの蛇口から出るお湯と水を、1本の排水管にまとめて流し込む様子を思い浮かべてみてください。

私たちが通話しているとき、スマートフォンの内部では2種類の音声信号が絶え間なく行き交っています。ひとつは、自分の口から出てマイクへ入る自分の声（送信信号）です。もうひとつは、携帯電話の基地局を経由してスマートフォンの受話スピーカーから流れる相手の声（受信信号）です。この2つは本来、端末内でまったく別々の経路を通っています。

通話録音機能が作動すると、オーディオ制御ユニットがこれら2つの経路の間にいわばバイパス管を繋ぎます。マイクに入った自分の声と、通信チップからスピーカーへ向かう相手の声をリアルタイムで複製し、2つの音声信号をひとつに合成（ミキシング）するのです。

こうしてひとつにまとめられたデジタルの音声データは、圧縮処理を経てストレージ内に音声ファイルとして順次記録されます。通話が終了した瞬間に保存が完了し、後から聞き返せる録音ファイルが仕上がります。

一般のアプリストアからダウンロードした録音アプリを使おうとしても、うまく動作しなかったり自分の声だけが小さく録音されたりすることがよくあります。スマートフォンの基本ソフト（OS）がセキュリティとプライバシー保護のために、アプリごとに独立した部屋を割り当てるサンドボックス（外部アクセス制限技術）を採用し、通話音声の経路をシステム専用の権限で厳重に保護しているためです。

一般のアプリには、他のアプリや通信の中枢を担うハードウェアが扱う音声経路を勝手に盗聴する権限はありません。そのため、スマートフォンの製造元が標準の電話アプリ内に直接録音機能を組み込むか、OS自体が音声経路を取得する特別な権限を許可しているケースがほとんどです。通信キャリアが自社の通信網と連携した専用アプリを通じて録音機能を提供する例もあります。

国やメーカーによって通話録音の対応状況が異なるのもこのためです。各国の法規制やメーカーの方針によって、通話録音機能自体が提供されないこともあります。Googleの電話アプリやiPhoneの標準録音機能のように、プライバシー保護の観点から録音が始まると相手に録音中であることをアナウンスする仕組みも採用されています。

最近の通話録音は、単に音声をファイルとして保存するだけにとどまりません。通話内容を文字起こしし、要点を分かりやすくまとめてくれる人工知能（AI）要約技術へと進化しています。

合成された音声データは、通話中にリアルタイムで、または通話終了後に音声認識AIへと送られます。この処理は端末内のAI半導体（NPU、ニューラルネットワーク処理装置）で行われることもあれば、外部のサーバーで行われることもあります。AIはデジタル化された音声データを細かく分割して言語の基本音素として分析し、文脈に合った文字へと組み立ててテキストの会話ログへと変換します。

この高度な計算を行うために音声データを外部のクラウドサーバーへ送信するサービスも多く、個人情報の漏えいを心配する声もあります。そこで一部の最新スマートフォンでは、端末自身の処理能力で完結させるオンデバイスAI技術を採用しています。この仕組みなら、通話データが端末の外に出ることなく、端末内だけで録音と要約を安全に完結させることができます。