音声入力のしくみ

音声入力とは:声が画面上の文字になるまでの道のり

音声入力、文字起こし、音声コマンドは別のものです。音声入力が実際に何をするのか、マイクからカーソルまでにどんな段階があり、それぞれがどこで動くのかを解説します。

MacWindowsiPhoneAndroid

要点

音声入力は、話した内容を編集できる文字として、カーソルのある入力欄にそのまま書き込みます。その途中で音が録音・デジタル化され、音声認識モデルがもっともらしい単語を推定し、必要に応じて整形が句読点を付けたり「えー」を取り除いたりします。どの段階も端末上でもリモートのサービスでも動かせ、精度・速度・プライバシーにそれぞれ違う形で影響します。

メモ

話した内容

月曜に銀行に電話するのを えー リマインドして あとカードの限度額も聞く

SayVelio の入力結果

月曜に銀行に電話するのをリマインドして。あとカードの限度額も聞く。

「音声を文字に」と呼ばれる 3 つのもの

同じ言葉が 3 つの違う作業を指しているので、分けて考えると役に立ちます。

  • 音声入力(ディクテーション) は、アプリに編集できる文章を入力します。メール、チャット、ドキュメントなどです。キーボードの代わりに話し、結果は自分で管理できます。
  • 文字起こし は、すでに終わった話を文章にします。会議、インタビュー、講義などです。待っているカーソルはありません。
  • 音声コマンド は、認識した言葉を使って何かを 実行 します。アプリを開く、メッセージを送る、タイマーをかけるなど。言葉は文章ではなく命令です。

3 つとも音声認識を使いますが、1 つがあれば他もあるわけではありません。SayVelio は音声入力のツールで、話したことを書きます。音声コマンドは実行せず、チャットボットでもないので、「佐藤さんに賛成ですと送って」と話せば、その言葉のとおりに入力されます。思いどおりの文章にするための話し方は上手な音声入力のコツで紹介しています。

マイクからカーソルまでの道のり

音声入力はほぼ同じ流れをたどります。段階をまとめたり、話している途中で文字を表示したり、任意の段階を省いたりするシステムもありますが、順番は同じです。

  1. 録音。 マイクが空気の圧力を電気信号に変え、端末がそれを数値にします。マイクが声を記録するしくみを参照。
  2. 下準備。 音量をそろえたり、エコーや雑音を減らしたり、区切ったりします。ノイズ抑制と音声検出を参照。
  3. 認識。 モデルが話された単語を推定します。音声認識のしくみを参照。
  4. 整形(任意)。 句読点、数字、段落を加え、「えー」などのつなぎ言葉を取り除きます。認識結果から読める文章へを参照。
  5. 確認と入力。 文字がカーソル位置に入り、読んで直せます。良い音声入力の画面とはを参照。
音声入力の流れ:マイク、デジタル音声、音声認識、任意の整形、アプリ内の文字
声から文字へ:録音、認識、任意の整形、入力

結果は推定であり、意図の記録ではない

音声認識は統計的なものです。システムは、音と、何百万もの例から学んだことに最もよく合う単語の並びを選びます。そのため、とても自然に読めるのに実際に言ったこととは違う、ということが起こります。特に名前、数字、珍しい用語でよく起こります。良い音声入力ツールが言葉を教えられる機能(辞書)を持ち、確認や修正をしやすくしているのはこのためです。

各段階はどこで動くか

それぞれの段階は、端末上、リモートのサービス、またはその両方で動きます。

  • リモートのサービスでは、録音が暗号化された接続で音声認識プロバイダーに送られ、文字が返ってきます。大きく精度の高いモデルを使えます。
  • 端末上では、パソコンやスマートフォンにダウンロードしたモデルが認識を行います。何も端末の外に出ず、インターネットなしで動きます。ローカルのモデルは一般に小さめで、古い端末では遅くなりがちです。

SayVelio では、録音は端末から音声認識プロバイダーへ直接送られ、整形がオンならテキストが言語モデルのプロバイダーへ送られます。私たちのサーバーが録音やテキストを受け取ることはありません。Mac、Windows、iPhone、Android では、任意のオフラインモデルをダウンロードして、まったく接続なしで音声入力することもできます(オフラインでは整形は行われません)。詳しくは音声入力のプライバシーをご覧ください。

結果の質を左右するもの

精度、速度、プライバシーは、それぞれ流れの別の部分で決まります。

  • 精度 は主にマイク、部屋、認識モデル、そして辞書のようなヒントで決まります。
  • 書式 は整形で決まります。数字、リスト、句読点をどう書くかです。
  • 速度 は録音の長さ、ネットワーク、整形の有無で決まります。音声入力モードで仕上がりと速さのバランスを選べます。
  • プライバシー は、誰が音声とテキストを受け取り、それぞれが何を保存するかで決まります。

よくある質問

音声入力は完全にオフラインで使えますか?

認識モデルが端末上で動くなら使えます。多くのアプリはネット上のサービスに頼っているので、オフラインで録音できても、オフラインで文字にできるとは限りません。SayVelio は 4 つのプラットフォームすべてで任意のオフラインモデルを用意しています。

音声入力は音声アシスタントと同じですか?

いいえ。音声アシスタントは話した内容を依頼として解釈し、行動します。音声入力はあなたの言葉を書き取り、編集や送信はあなた自身が行います。