認識結果から読める文章へ:句読点、数字、整形
音声認識の生の結果がそのまま送れない理由、句読点・数字・リストが加わるしくみ、「ごじはん」があいまいな理由、そして整形で意味が変わらないようにする方法を解説します。
要点
音声認識は、言ったとおりの言葉を返します。つなぎ言葉も言い直しもそのままで、句読点はありません。2 つ目の段階が、それを書き言葉にします。句読点、数字、リスト、段落です。この段階は解釈をしなければなりません。「ごじはん」は時刻かもしれないし、金額や数量かもしれないからです。良い整形は意味と言語を保ち、形だけを変えます。
話した内容
佐藤さん えー 打ち合わせは 5 時半 じゃなくて 6 時 15 分からで 予算は 125 万円です
SayVelio の入力結果
佐藤さん
打ち合わせは 18:15 からで、予算は 125 万円です。
生の認識結果はどんなものか
人は完成した文で話すわけではありません。ふつうのメッセージの生の認識結果は、よくこんなふうになります。
えーと計画としては僕たち僕たちが火曜に下書きを送って あ水曜に送って それでなんか田中さんが確認する
言葉はすべてそろっていますが、これをそのまま送る人はいません。「計画:水曜に下書きを送り、田中さんが確認する。」にするには、いくつもの判断が必要です。「えーと」と「なんか」を取る、繰り返しの「僕たち」を消す、言い直しを反映する、句読点を付ける。

句読点は解釈である
マイクは読点を録音しません。句読点は間、抑揚、文の構造から推測されるもので、測定ではなく編集上の判断です。たいていは明らかですが、ときには意味が変わります(「ここではきものをぬいでください」は、「ここで、はきものを」か「ここでは、きものを」か)。大事なメッセージを送る前に読み返す理由の 1 つです。
数字、日付、金額:逆テキスト正規化
話し言葉の形を書き言葉の表記に変えることには、技術的な名前があります。逆テキスト正規化(ITN) です。「ひゃくにじゅうさんえん」を「123 円」に、「さんがつみっか」を「3 月 3 日」にするのがこれです。
見た目より難しいのは、音だけでは決まらないことが多いからです。
| 話した言葉 | 書き方の候補 |
|---|---|
| 「ごじはん」 | 5:30(時刻)、5 時半、午後 5 時半 |
| 「にせんにじゅうよん」 | 2024(年)、2,024(数)、2024 円 |
| 「いちまるいち」 | 101、1:01 |
| 「みっか」 | 3 日(日付)、3 日間(期間) |
ふつうは文脈で決まり、良い整形は文全体を見て選びます。正確さが大事なときは、少し言葉を足しましょう。「午後 5 時半」「3 日間」のように。
逆向き、つまり書かれた「123 円」を話し言葉にするのはテキスト正規化と呼ばれ、音声合成システムの仕事です。音声認識と音声合成の違いをご覧ください。
言葉は正しくても書式が違うことがある
認識と書式設定は別の仕事です。認識器がすべての言葉を正しく聞き取っても、目的に合わない結果になることがあります。段落として書かれたリスト、数字として書かれた時刻、感嘆符だらけのかしこまったメールなどです。それは書式設定の層の仕事で、個人の設定が役立つのもここです。
SayVelio では、この層が任意の整形です。
- 整形プロンプトで、リスト、数字、トーンなどの全体のルールを決めます。
- アプリごとのスタイル で、入力先に合わせて結果を調整します。チャットでは短く気軽に、メールでは整った文で、ターミナルではコマンドをそのまま。
- 高速モードは整形を完全に省き、認識したままの文字を入力します。仕上がりより速さを優先したいときに。
「整える」と「変える」の線を守る
害のない変更もあります。句読点、改行、「えー」の削除などです。一方で、言ったことを変えてしまう変更もあります。名前の置き換え、「ない」の脱落、数字の丸め、約束の言い換えなどです。良い整形は前者を遠慮なく行い、後者は避けます。
SayVelio の整形には、あなたの言葉と言語を保ち、決して翻訳せず、話した内容に返事をしないよう指示しています。結果がおかしいと感じたら、すべての音声入力はアプリの 履歴 に残っているので、そこからもう一度コピーできます。
よくある質問
音声入力した数字の書き方が変わったのはなぜですか?
整形は、話した数字を一般的な書き方にします。数字、通貨、時刻などです。読み方を取り違えたときは、話すときに文脈の言葉を足すか(「午後 5 時半」)、好みの書き方を整形プロンプトに書いておきましょう。
話したとおりの文字を受け取れますか?
はい。高速モードを使えば、音声認識が聞き取ったものを整形なしで入力します。つなぎ言葉や言い直しもそのまま入ります。


