音声認識ソフト

はじめに

音声認識ソフトは、文字起こしソフトとも呼ばれ、コンピュータやその他のデバイスが人間の音声を解釈し、テキスト形式に書き起こしたり、テキストを音声に変換したりできるようにします。メモ作成の分野で広く利用されており、別の作業をしながらすばやくメモを取る必要がある業務で特に高い価値をもたらします。このような高品質な自動音声認識ソフトで求められている重要な機能には、音声キャプチャ、自動トランスクリプション、テキスト編集、スピーチをテキストにして分析する機能などがあります。

音声認識ソフトの大きな利点の一つは、ユーザーの両手が自由になり、他の作業に使用できることです。ユーザーがキーボードで入力することなく、音声が自動的に認識されテキストが作成され、この利点が実現されます。メモを自動的に取りながら両手を使用して複雑な作業を行うことができるようになるため、多くの分野でマルチタスクを簡単に行うことが可能になり、生産性も大きく向上します。

音声認識ソフトは、最新の多くのバーチャルアシスタントに実装されており、多くの企業やカスタマーサポート部門のコールルーティングで重要な役割を果たします。音声認識ソフトは、自動音声応答 (IVR) ソフト、音声分析ソフト、および医療音声の文字起こしソフトと密接に関連しています。実際、IVRソリューションは、音声認識を使用して発信者を理解し、コールを適切な場所にルーティングします。一方、医療音声の文字起こしソフトは、医療の専門家向けに設計された特殊なタイプの音声認識ソフトです。

優れた音声認識ソフトを見つけるためには、利用できる予算、企業の規模、従業員の正確なニーズなど、さまざまな事項を検討しなければなりません。さらに、利用可能な機能を詳しく調べ、選択したソリューションが必要な機能を提供していることを確認することも重要です。音声認識ソフトで利用できる補助的な機能は大きく異なりますが、市販の多くのソリューションでは以下のような共通する機能が提供されています。

• マイクから直接音声を取り込む、あるいは音声を含むオーディオファイルをインポートする。
• キャプチャした音声や取り込んだ音声をテキスト形式に書き起こす。
• 音声をテキスト形式で表示して、エラーを修正する。
• 書き起こしたテキストを分析し、傾向を把握したり、特定の単語や語句を抽出したりする。
• 世界で使用されている多言語や方言の音声をテキストに変換する。

音声認識ソフトとは？

音声認識ソフトとは、人間が話す言葉をコンピュータや他のデバイスが解釈して、テキストに書き起こすために設計された音声操作ソフトの一種です。このソフトウェアは通常、自動音声認識ソフトに分類されますが、多くのソリューションはテキストを音声に変換することもできます。このソフトウェアは、医療や科学研究、小売業のカスタマーサポートなど、幅広い業種や職種で利用されています。

多くの場合に、メモ作成の目的で導入されますが、顧客とのコミュニケーションを分析したり、音声から特定の語句を取得したり、他の理由で音声をテキスト形式に変換するためにも使用されます。音声認識ソフトは多くのバーチャルアシスタントに搭載されており、自動音声応答システムの一部として、コールを適切な部署や場所にルーティングするためにも使用されます。多くの場合、主に文字起こしソフトとして機能し、ユーザーは話しながら別の作業を行うことができるようになります。

優れた自動音声認識ソフトを使用すると、ユーザーが両手を別の作業に使用することが可能になります。コンピュータにメモを作成させながら、複雑な作業をユーザーが手動で行うことができる利点があります。優れた自動音声認識ソフトにはアクセシビリティコンポーネントが含まれており、従来型のキーボードを使用してテキスト文書を作成できないあるいは作成が困難な障害があったり、健康状態にあったりする場合でも、テキスト文書を作成することが可能になります。

音声認識ソフトの利点とは？

音声認識ソフトの利点は、一般に、音声ファイルから直接音声や会話を取り出し、正確にテキスト形式に変換できることです。この機能は、幅広い業種・職種で活用できるほか、個人で利用する場合にも便利です。音声認識ソフトを活用できる主な例を以下に示します。

• ハンズフリーのテキスト作成：キーボードを使用せずにテキストを作成できるため、ユーザーは常に両手を自由に使うことができます。両手で複雑な作業を行いながら、声を出してメモを作成できるため、科学や医学の研究など特定の分野では必要不可欠なソフトウェアとなっている場合もあります。このような機能があるとマルチタスクを効率的に行うことができるため、全体的な生産性を向上できます。また、他の作業が終わってからメモを入力するのではなく、他の作業を実行している場合であっても、その場でメモを作成できるため、正確なメモを作成できます。

• 文書作成の効率化：使いやすいキーボードのあるコンピュータを利用できない場合、音声認識ソフトを使用して文書作成を効率化できます。特に、モバイルデバイスを使用している場合には便利です。実際、ユビキタスコンピューティング分野の主要なジャーナルである「Proceedings of ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies (IMWUT)」誌に掲載された調査結果では、スマートフォンを使用してテキスト文書を作成する場合、使用する言語が英語のときは、音声認識によってテキストを入力する場合、モバイルキーボードを使用して入力するよりも約3倍速くなり、中国語を使用したテストでも同様の入力速度の向上が確認されています。

• 高精度：特定の状況で音声認識ソフトを使用すると、キーボードによる入力よりも高い精度でテキストを作成することができます。その好例が、音声や動画の文字起こしです。人間も音声や動画の文字起こしをすばやくできる場合がありますが、速さと引き換えにミスが発生する可能性が高くなることも多くあります。対照的に、高品質の音声認識ソフトは、一般的な能力のユーザーよりも優れた精度を実現し、ほぼ瞬間的に処理を完了できるため、迅速で正確な文字起こしが必要となる状況で優れた効果を発揮します。

• 自動トランスクリプション：音声認識ソフトを使用するもう一つの大きな利点は、自動化に関連します。マイクやヘッドセットから音声を入力したり、音声ファイルにアクセスしたりすると、手動で多くの操作を行うことなく、音声を自動的に文字に起こし、テキスト形式で出力できます。市販の優れたソリューションの多くは、テキスト編集機能を実装しており、音声から変換されたテキストを修正または訂正できます。

• スピーチ分析：テキストは再読が可能で、特定の単語や語句を簡単に検索できることから、比較的容易に分析できます。一方で通常、スピーチの分析はテキストを分析するよりも難しくなります。しかし、優れた自動音声認識ソフトを利用すれば、スピーチをテキストに書き起こし、その特徴を容易に把握できるため、分析も非常に容易になります。また、多くの製品にスピーチをテキストにして分析する機能が搭載されており、多くの分析プロセスを自動化できます。

• アクセシビリティの向上：さまざまな身体的な障害、学習障害、他の健康状態によって、キーボードを使用する従来の方法でテキスト文書を作成する能力が影響を受けることがあります。例えば、盲目または弱視のユーザーは入力した内容を確認することが困難またはできない場合があります。また、特定の身体的な制約のあるユーザーはキーボードで入力できない場合もあります。さらに、発達性読み書き障害 (ディスレクシア) などの学習障害がある人は、身体的にタイピングが可能であっても、正確なスペルや文法を理解することが難しい場合があります。音声認識ソフトは、音声だけでテキスト文書を作成できるため、このようなケースで優れた効果を発揮します。このような機能によって、音声認識は全体的なアクセシビリティを向上します。

音声認識ソフトの機能とは？

音声認識ソフトの機能は、市販の製品を区別できる大きな要素の一つです。音声認識ソフトに搭載される機能は、通常、すべてのパッケージに実装されているコア機能、優れた文字起こしアプリに求められる一般的な機能、一般的ではないもののパッケージの差別化要因となるオプション機能に分類できますが、高品質のほぼすべての音声認識ソフトには、次のような機能が搭載されています。

• 音声キャプチャ：音声入力デバイスから音声を録音したり、音声ファイルをアップロードしたりして、文字起こしをすることができます。音声をソフトウェアに直接入力したり、音声ファイルをインポートしたりできるため、音声をテキスト化するときにさまざまなオプションを利用できます。優れたソフトウェアは、声以外の音やBGMが含まれていても、音声ファイルの声を識別できます。

• 音声認識：マイクに向かって話すと、音声認識ソフトがその言葉を理解します。方言を検出したり、男性か女性の声を識別したりできるオプション機能もあります。また、一部のソフトウェアには機械学習機能が実装されており、音声認識機能がユーザーの声、アクセント、話し方を学習し、時間の経過とともに精度を向上させることが可能です。さらに、音声を認識して、書き起こされたテキストで異なる話者を分けて、より明確に表示することもできます。

• 自動トランスクリプション：インポートした音声ファイルやマイクで入力した音声を自動的に文字に起こします。高品質の音声認識ソフトでは自動化機能が提供されており、ユーザーによる操作を最小限に抑えながら、音声をテキストにすばやく変換できます。さらに、書き起こされたテキストを自動的にフォーマットし、それぞれの話者を分けて、スピーチの構造を認識する高度な機能が実装されている場合があります。

• テキスト編集：内部のテキストエディタを使って、書き起こされたテキストを編集または修正します。高品質の音声認識ソフトは、音声を正確にテキストに書き起こすことができますが、ミスや解釈違いが生じる可能性があるため、これらの問題を修正できるソフトウェアを選ぶことが重要です。また、必要なレイアウトで文書を作成するために、書き起こしたテキストを編集する必要がある場合もあります。テキストエディタが組み込まれているすべての製品では、標準のテキスト形式で音声を書き出すことができますが、優れているソリューションでは、Microsoft Word、Google Docs、Apple Pagesなど、広く使用されているワードプロセッサのファイル形式もサポートされます。

• スピーチをテキストにして分析する機能：スピーチをテキストにして分析する機能によって、取得したテキストに対して高度な処理を行うことができます。このような機能を使用して、よく使われる単語、単語や語句の使用回数など、文字起こしされたテキストにおける重要な特徴を識別できます。これにより、スピーチの分析、重要な要素の抽出、重要な傾向の特定、スピーチの意味の解釈が非常に容易になります。スピーチをテキストにして分析する機能によって、電話での問い合わせで最も多い問題や、受け取ったさまざまな苦情の類似点を特定できるため、カスタマーサポートは特に有効に活用できます。カスタマーサポートは分析した内容をビジネスリーダーに報告でき、ビジネスリーダーはチームの弱点である領域を解決し、顧客満足度を向上できます。

• コールルーティング：電話の内容をもとに、適切な場所に自動的に電話を繋げることができます。音声認識ツールは文字起こしソフトウェアとして動作するだけでなく、コールルーティングのオプションが組み込まれている場合もあります。この機能を導入すると、電話をかけてきたお客様が基本的な質問に回答すると、音声認識ソフトがその回答を自動的に理解して、その電話を適切な部署や最適な従業員にルーティングできます。これにより、待ち時間が短縮され、顧客満足度が向上します。

• 多言語対応：複数の言語で音声を書き起こします。利用可能な最も価値の高い製品は、さまざまな言語や方言の音声を理解し、書き起こすことができます。さらに、最も優れた音声認識ソフトには翻訳機能が搭載されており、ある言語のスピーチを別の言語に書き起こし、自動的に翻訳することが可能です。

キャプテラの音声認識ソフトのディレクトリでは、ソフトウェアの特定の機能を基準にして、利用可能なソフトウェアをすばやく簡単に並べ替えることができます。これにより、自社に最適な機能と性能のパッケージのみを表示でき、簡単に検索できます。

音声認識ソフトの購入時に考慮すべき点は？

音声認識ソフトを購入する際には、注意すべき点がいくつかあります。注意すべき最も重要なことの一つは、すべての音声認識ソフトが同じように作成されているわけではないことです。製品によってターゲット層が異なり、製品が優先して実装している機能もそのターゲット層を反映しています。また、単に機能が豊富なソフトウェアを選ぶのではなく、自社の要件に本当に合った製品を探すことも大切です。例えば、あるソフトウェアが非常に高く評価されており、優れたオプションを提供していても、市販の他のソリューションが提供している重要な機能が含まれていない場合もあります。音声認識ソフトを購入するときには通常、次のような質問について回答するようにしてください。

• 音声認識ソフトで主に使用する機能は何か？ 市販のソリューションによって提供される機能は異なります。提供される機能は、ソフトウェアの使用目的と、ターゲット層によって異なります。多くのパッケージでは通常、自動トランスクリプション、音声キャプチャ、テキスト編集などのコア機能は共通していますが、補助的な機能は大きく異なる場合があります。カスタマーサービスと医学研究者のニーズは異なりますので、自社で実際に必要な機能をしっかり踏まえてソフトウェアを評価することが重要です。

• 音声認識ソフトにかかる費用は？ 製品の購入に関するコストは常に重要な検討事項です。コストを総合的に評価するアプローチを採用することが極めて重要です。ソフトウェアの導入、スタッフのトレーニング、サポートの利用などのコストについても考慮してください。ソフトウェアの購入にかかる費用は全体コストの一部に過ぎません。さらに、SaaSソリューションを導入する場合には、サブスクリプションサービスに関連する継続的なコストについて検討し、オンサイトへの展開では、セットアップ、インストール、ストレージコストについて考慮する必要があります。

• 音声認識ソフトのタイプとは？ 音声認識ソフトは、大きく分けて話者に依存するソフトウェアと話者に依存しないソフトウェアの2種類があります。話者に依存する音声認識ソフトは、ユーザーの話し方や方言、特徴などを学習するように設計されています。これらのソフトウェアは、時間の経過とともに音声認識を向上させ、メモ作成や他の文字起こしに最も多く使用されます。一方、話者に依存しないソフトウェアは、複数の話者の音声を認識するように設計されており、通常、これらの話者の音声を学習して継続的に改善するようには設計されていません。スピーカーを使用しないソリューションは、コールルーティングやカスタマーサポートに使用される場合があります。

• ソフトウェアはモバイルフレンドリーか、リモートからのアクセスが可能か？ ガートナーが実施した2020年の調査によると、82%もの企業が、少なくとも業務の一部の時間について、従業員にリモートワークを許可することを考えています。さらに、出張する場合など、外出先で仕事をする職種も多いため、モバイルアプリの利用やWebからモバイルでアクセスする必要になるケースもあります。このため、リモートワークを許可している企業や、モバイルアクセスを必要とする個人は、利用可能な音声認識ソフトを最終的に決定する場合に、これらの要素を優先して判断する必要があります。

• 音声認識ソフトを他のツールと組み合わせて使うことができるか？ 互換性も重要な要素です。ビジネスプロセスが確立されている企業であれば、現在のツールと互換性のない新しいソフトウェアを導入することは困難でしょう。音声認識ソフトについては、デバイスや現在使用しているソフトウェア環境との互換性が重要です。例えば、Microsoft Word、Apple Pages、Google Docsで定期的に文書を作成している場合、書き起こしたテキストをこれらのファイル形式で保存したり、これらのアプリケーションに簡単に転送したりできるソフトウェアが最適です。同様に、音声認識ソフトをコールルーティングに使用する場合は、現在のCRMソフトやコールセンターエージェントが通常使用している他のツールとの互換性を確認する必要があります。

• 音声認識ソフトは定期的にアップデートされているか？ 最後に、選択したソフトウェアがどのようにアップデートされているかを考慮することが重要です。ソフトウェアは継続的にアップデートされているか、アップデートの頻度は、ソフトウェアのアップデートに既知の問題がないかなどを確認してください。ソフトウェアがアップデートされなくなると、セキュリティの脆弱性が将来的に見つかった場合でもパッチを適用できない恐れがあります。ソフトウェアが将来的にどのようにアップデートされるかを把握しておくことは、現在の状態を把握するのと同様に重要です。

音声認識ソフトに関する注目トレンドは？

また、製品を購入する際には、音声認識ソフトのトレンドやテクノロジー全般のトレンドも検討しなければなりません。特に、テクノロジーの進化が日々のタスクや実務にどのように影響するかを検討する必要があります。また、検討しているソフトウェアに関連する新たなトレンドや今後予想されるトレンドを理解しておくことも、製品を長期的に活用するために欠かすことができません。音声認識ソフトを購入するときには、以下のようなトレンドに注目してください。

• 音声認識とスマートデバイスの関係：モノのインターネット (IoT) の普及により、さまざまな用途にスマートデバイスが使用されるようになり、音声認識テクノロジーもこれらのスマートデバイスと連携することが多くなっています。今後、IoTデバイスがさらに普及し、ユーザーが音声操作型ソフトウェアをさらに使用するようになると、さらなる統合に対する需要が高まっていくはずです。理想的な音声認識ソフトは、単なる文字起こしソフトウェアやコールルーティング・ソフトの枠を超えて、広範なエコシステムの一部として機能することが多くなるでしょう。

• クラウドベースのソフトウェアの成長：クラウドベースのソフトウェアは、初期コストの削減、データセキュリティの強化、優れた拡張性、リモートアクセスなどの利点があることが企業や個人に理解されるようになり、急速に普及が進んでいます。この状況を考慮して、クラウドベースの音声認識ソフトが長期的に最適な選択となるかどうかを検討する価値があります。クラウドベースのモデルはすべての組織に適しているわけではありません。SaaSのサブスクリプションモデルでは継続的なコストが発生し、オンサイトソリューションを使用するよりもコストが大幅に高くなる可能性があります。

• 音声データと関連するプライバシーへの懸念：音声操作型のアプリケーションには、プライバシーに関する懸念があります。特に、サードパーティーがデータを取り扱うクラウドベースのモデルには大きな懸念があります。ユーザーは、ソフトウェアの仕組み、自分の声がいつ録音されているのか、音声データの偶発的な収集を防ぐための保護措置、音声データにアクセスできるのは誰なのかを知りたいと考えています。これらの質問に対する回答を調べるだけでなく、データの取得、保存、保護の方法について、できる限り透明性のある説明を従業員にすることが重要です。

出典

本書で紹介した機能は、音声認識ソフトとの関連性と、キャプテラのディレクトリにある製品がこれらの機能を提供している割合を基準として取り上げています。このドキュメントで使用された出典を以下に示します。

1. Speech Recognition Software - Price Comparison & Reviews (音声認識ソフト - 価格の比較とレビュー) - キャプテラUK (アクセス日：2021年9月22日、水曜日)

2. Gartner Survey Reveals 82% of Company Leaders Plan to Allow Employees to Work Remotely Some of the Time (ガートナーの調査により、企業のリーダーの82%が従業員のリモートワークを一部許可することを計画していることが明らかに) - Gartner.com (アクセス日：2021 年 9 月 22 日

3. Comparing Speech and Keyboard Text Entry for Short Messages in Two Languages on Touchscreen Phones (スマートフォンのタッチスクリーンでの2言語に関するショートメッセージの音声入力とキーボードによるテキスト入力の比較) - ACM Digital Library (アクセス日：2021年9月22日、水曜日)