本文へスキップ
ReviewRamble

週刊ブリーフ

AIのレビューを、あなたの受信箱に。

  • ツール、モデル、MCPサーバー、リポジトリの新しいレビュー(結論を最初に)
  • 変更があったときに再確認した価格と評価
  • 公開された新しい分析記事

モデル、エージェント、MCPサーバー、そして本当に時間をかける価値のあるツール。

週に1通です。配信停止は各メールのリンクからできます。 メールアドレスの利用について

Speech-to-text(音声認識)

Speech-to-text(音声認識)とは、自動音声認識(ASR)とも呼ばれ、話し言葉の音声を書き言葉のテキストに変換するソフトウェアです。書き起こし、字幕、音声コマンド、そして音声エージェントの聞き取りの部分を支えています。

別名: ASR, automatic speech recognition, transcription, STT

執筆 Divya Sharma · 2026年11月15日確認 · レビューの方法

Speech-to-textモデルは音声を受け取り、通常は短いフレームに分けて、聞き取った言葉を、多くの場合タイムスタンプ付きで出力します。会議メモ、ポッドキャストの書き起こし、字幕、通話の分析、そしてあらゆる音声エージェントの最初のステップです。

仕組み

現在のASRモデルは、音声とテキストのペアの大量のデータで学習したニューラルネットワークです。OpenAIのWhisperはよく知られた例で、Web上の680,000時間分の音声と書き起こしで学習し、タスク固有のファインチューニングなしで多くの言語を扱います。openai-whisperや、Whisper large v3 turboのような小さめの変種を使えば、自分で動かせます。

比較すべき点

自分の音声に近い音声での単語誤り率、速度、リアルタイム利用のためのストリーミング対応、対応言語、句読点、1分あたりの料金です。クリーンな音声でのベンチマークスコアは、雑音の多い電話での結果よりはるかに良く見えることがあります。

関連用語

ASRは何が話されたかを教えてくれます。誰が話したかを教えてくれるのは話者ダイアライゼーションで、多くの書き起こしツールは両者を組み合わせています。逆方向はtext-to-speechです。

限界

なまり、発話の重なり、背景の雑音、分野特有の専門用語はエラー率を上げます。無音や音楽の間に言葉をでっち上げるモデルもあり、これはハルシネーションの一種です。

関連用語

Text-to-speech(音声合成)
Text-to-speech(TTS、音声合成)とは、書かれたテキストを話し言葉の音声に変えるソフトウェアです。現在のTTSは、テキストから発話の音を予測し、それを波形として描き出すニューラルネットワークを使います。
話者ダイアライゼーション
話者ダイアライゼーション(speaker diarization)とは、音声の録音を話者ごとに分け、発話の各区間に誰が話したかのラベルを付けるタスクです。「誰がいつ話したか」という問いに答えます。
音声エージェント
音声エージェント(voice agent)とは、リアルタイムで音声の会話を行うAIエージェントです。人の話を聞き、何を言うか、何をするかを決め、合成音声で答えます。多くの場合、電話回線やアプリを通じて使われます。
Speech-to-speechモデル
Speech-to-speechモデル(音声対音声モデル)とは、話し言葉の音声を受け取り、いったんテキストに変換して戻すことなく、直接話し言葉の音声を出力するモデルです。リアルタイムの音声会話や翻訳に使われます。
ハルシネーション(AI)
ハルシネーション(hallucination)とは、流暢で自信ありげに聞こえるものの、誤っている、情報源に裏付けられていない、あるいは作り話である AI モデルの出力です。架空の引用文献、発言、統計、API の関数などがその例です。

出典