音声入力のしくみ

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。

MacWindowsiPhoneAndroid

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。

Gmail

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。

つなぎ言葉があり句読点のない生の認識結果と、整形後の文章の比較
整形前と整形後の同じ音声入力

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。