音声入力のしくみ

音波からデジタル音声へ:音声入力のときマイクが記録しているもの

マイクと端末が声を数値に変えるしくみ。サンプリングレート、ビット深度、モノラル、リサンプリング、そしてスペックよりマイクの位置が大切な理由を解説します。

MacWindowsiPhoneAndroid

要点

声は空気の圧力の波です。マイクがそれを電気信号に変え、変換器がその信号を 1 秒間に何千回も測ります。音声では 1 秒あたり 16,000 回、16 ビットが定番の形式です。数字が大きければ認識が良くなるとは限りません。スペックよりも、マイクの近くではっきり話すことのほうがずっと大切です。

Slack

話した内容

10 分遅れます 先に始めていてください

SayVelio の入力結果

10 分遅れます。先に始めていてください。

音は空気の動きから始まる

話すとき、声帯、舌、唇が空気に小さく速い圧力の変化を生みます。マイクにはこの変化に合わせて動く薄い膜があり、その動きを変化する電圧に変えます。これが声をなぞるアナログの波です。

コンピューターは連続した波をそのまま保存できないので、アナログ・デジタル変換器(多くはノートパソコン、スマートフォン、ヘッドセットに内蔵)が一定の間隔で波を測ります。1 回の測定が 1 つの サンプル で、数値として保存されます。

一定の間隔で測られた音の波:点の 1 つ 1 つがサンプル
サンプリング:声の連続した波が、測定された点の並びになる

サンプリングレート:どれくらいの頻度で測るか

サンプリングレート は 1 秒あたりの測定回数です。16,000 Hz(16 kHz)は 1 秒に 16,000 サンプル、48 kHz なら 48,000 サンプルです。

サンプリングレートは、録音に含められる最も高い周波数を決めます。その約半分です。16 kHz の録音は約 8 kHz までの音を保ち、話を聞き取るには十分です。昔ながらの電話の音声は約 3.4 kHz までしかないため、電話では「ひ」と「し」のような音が聞き分けにくくなります。

ビット深度:1 つのサンプルをどれだけ細かく記録するか

ビット深度 は、1 つのサンプルが取れる値の数を表します。16 ビットの音声には 65,536 段階があります。これは測定の細かさだけを表すもので、音声モデルが 65,536 種類の音を聞き分けるという意味ではありません。

音声入力の録音はふつう モノラル で、1 チャンネル、各瞬間に 1 サンプルです。ステレオは 2 つ目のチャンネルを加えますが、認識にはあまり役立ちません。

数秒の話でどれくらいのデータになるか

計算は簡単です。16,000 サンプル × 16 ビット = モノラル音声 1 秒あたり 256,000 ビット、つまりヘッダーを除いて 1 秒あたり 32 KB です。30 秒の音声入力は、圧縮しないと約 1 MB になります。今の回線なら小さな量ですが、アプリがたくさん送ると積み重なるので、先に音声を圧縮するアプリもあります(音声の圧縮を参照)。

リサンプリングは数字を書き換えるだけではない

多くのマイクは 48 kHz で録音し、多くの認識モデルは 16 kHz を想定しています。変換はファイル名を変えることではありません。まず、低いレートでは表せない周波数を取り除く必要があり、そうしないとそれがゆがみ(エイリアシング)として録音に折り返されます。OS や音声ライブラリが代わりにやってくれますが、音声を何度も変換しないほうがよい理由の 1 つです。

何よりマイクと部屋が大切

ここまでの処理はすべて認識の前に起こるもので、マイクがはっきり拾えなかった言葉をソフトウェアで取り戻すことはできません。実際には:

  • 距離が何より大切です。 ヘッドセットや目の前のノートパソコンのマイクは、部屋の反対側にある Web カメラより有利です。遠いマイクほど反響を拾います。
  • 近すぎると「吹かれ」ます。 マイクにくっついて話すと、「ぱ」や「ば」で息が当たります。
  • 選ばれている入力を確認しましょう。 ヘッドセットをつなぐとマイクが切り替わることがあります。Mac:システム設定 → サウンド → 入力。Windows:設定 → システム → サウンド。
  • 音声入力アプリにマイクへのアクセスを許可しましょう。 許可がないと、アプリには無音しか届きません。

ヒント

音声入力が急に悪くなったら、まず入力デバイスを確認してください。Bluetooth ヘッドセットのマイクに切り替わると品質が落ちることがよくあります。多くのヘッドセットは、マイクを使う間は電話向けの狭い音声モードになるためです。

よくある質問

サンプリングレートを上げると音声入力は良くなりますか?

必ずしもそうではありません。多くの認識モデルは内部で 16 kHz で処理するので、48 kHz の録音もどのみち下げられます。はっきりした声と良いマイクの位置のほうが大切です。

外付けマイクは必要ですか?

たいていは不要です。最近のノートパソコンやスマートフォンの内蔵マイクで、静かな部屋なら十分です。オープンオフィスや騒がしい場所ではヘッドセットが役立ちます。