IT資格用語解説基本情報技術者試験・ユーザーインタフェース（UI）
音声認識
更新日:
用語解説
音声認識は、人が発した音声信号から、話された語や文章を推定して文字列又はコマンドへ変換する技術です。ASR（Automatic Speech Recognition）やSTT（Speech-to-Text）とも呼ばれ、「何を話したか」を認識します。
■ 試験で押さえるポイント
マイク入力を標本化し、雑音抑制や区間検出を行い、音の時間的特徴を取り出して、音響・言語上もっとも確からしい語列を探索します。現在は一連の処理をニューラルネットワークで学習する方式もあります。
同音異義語や曖昧な音は前後の言語的文脈で判定します。専門語を辞書・文脈へ適応させると改善できますが、雑音、反響、発音、方言、マイク差で誤りが増えます。
認識精度にはWER（Word Error Rate）を用い、置換S・削除D・挿入Iを正解語数Nで割ったで求めます。値が小さいほど誤りが少ない指標です。
話者認識は「誰が話したか」、音声合成は文字から音声を生成する技術です。音声認識結果を意味理解へ渡すことはありますが、音声波形から文字にする段階とは区別します。
■ 選択肢での判断ポイント
音声から発話内容を文字・命令へ変換するのが音声認識です。話者本人を識別・照合する話者認識、声を出力する音声合成との違いと、WERの計算を押さえます。
例: 正解100語に対して置換5語、削除3語、挿入2語なら、、すなわち10%です。