音声認識

声を出すと、口から出た空気がかすかに震えて音の波が生まれます。マイクはこの波をとらえ、1秒間に何万回も電圧を測って、デジタル信号として細かく記録します。素早く動く動画を、たくさんの静止画に分けて保存するのと同じ考え方です。

コンピューターは、こうして刻んだ音の信号から風の音や周囲の雑音を減らし、人の声の成分を際立たせます。そのうえで、音の高低や強さ、時間とともに変わる響きの周波数を計算し、目で見えるグラフの形に変換します。

この工程を経ると、空気中に消えていくはずだった声が、コンピューターが計算できる精密な数値データとして整理されます。「りんご」と言ったときと「バナナ」と言ったときでは、生まれる周波数の形がまったく違うので、コンピューターは2つの音をはっきり区別できるのです。

数字になった音のデータは、AIのニューラルネットワークに渡されます。まず「音響モデル」というAIが、細かく刻まれた音の信号が「k」「a」「n」のようなどの発音の単位（音素）に近いか、確率をひとつずつ計算します。たくさんの人の音声データを事前に学習しているので、イントネーションが独特な方言や早口もある程度は聞き取れます。ただし、学習したデータとかけ離れた話し方ほど、間違いやすくなります。

とはいえ、発音がわかるだけでは完璧な文章は作れません。たとえば音だけ聞くと、「はし」が橋なのか箸なのか、「あめ」が雨なのか飴なのか、コンピューターには判断しにくいからです。

そこで活躍するのが、2つ目のAIである「言語モデル」です。言語モデルは前後の単語のつながりをていねいに調べて、もっとも自然な文脈の単語を選び出します。「昨夜、熱々の[かき]を焼いて食べた」という音が入ってきたら、全体の文脈から柿ではなく「牡蠣」がふさわしいと判断して、最終的な文字に決めるわけです。最近では、この2段階を分けず、ひとつの大きなニューラルネットワークが音から文字まで一気に学習する方式も広く使われています。

音声認識とよく混同される概念に「話者認識」があります。音声認識が、音を聞いて「何を言ったか」を突きとめる技術だとすれば、話者認識は、人それぞれ違う声帯の固有の響きを分析して「誰が話しているか」を識別する生体認証技術です。

スマートフォンに向かって「Hey Siri」や「OK Google」と呼びかけるとき、この2つの技術が一緒に使われることもあります。機器によっては、登録された持ち主の声かどうかを話者認識で確かめ、そのあとに続く言葉を音声認識が文章として書き取り、命令を実行します。

最近の音声認識技術は、単なる書き取りを超えて、大規模言語モデル（LLM）と組み合わさりつつあります。騒がしいカフェの中やもごもごした話し方でも、以前より正確に書き取れるようになり、書き取った言葉をなめらかな文章に整えてくれることもあります。