オンデバイス音声認識とは、音声をテキストに変換するエンジンがリモートサーバーではなく、コンピュータやスマートフォンで直接動作することを意味しています。音声はあなたのマシンに留まり、生成されたテキストもそこに留まります。アップロードされるものはなく、データセンターに到達するものもなく、トランスクリプション機能はネットワークが接続されているかどうかに関わらず同じように動作します。
クラウドベース認識とはどう異なるか
ほとんどのエンタープライズおよびコンシューマー音声テキスト変換サービスは、音声をサーバーにアップロードし、処理してテキストを返すことで機能します。オンデバイス認識はこれを完全に逆転させます。トランスクリプション自体ではネットワークが関与していませんが、オンデバイスツールはアップデート、アカウントチェック、またはその処理内容のログ記録のためにネットワークに接続する場合があります。
コアトレードオフは、能力と場所の間にあります。
- オンデバイスは1つのマシンのみを処理するため、オフラインで動作しますが、通常、そのエンジンに組み込まれた言語と機能に限定されています。アップデートには新しいモデルのダウンロードが必要です。トランスクリプションを実行するマシンは、エンジンを実行するのに十分な能力を備えている必要があります。
- クラウドベースは、数百の言語をサポートすることができ、ユーザーが何もしなくても最新の改善を適用できます。トレードオフは、第三者のインフラストラクチャに音声をアップロードし、すべてのトランスクリプションのためにネットワーク接続が必要になることです。
どちらが普遍的に優れているわけではありません。それらは異なる選択肢です。
エンジンの物理的な位置がなぜ重要なのか
オンデバイス認識は、音声そのもののプライバシーを提供する唯一の音声テキスト変換アプローチです。ポリシーや暗号化によるプライバシーではなく、アーキテクチャによるプライバシーです。音声は決してどこにも送信されませんでした。
これは以下の場合に重要です。
- 機密性の高い会話。医学的、法的、または財務的な議論はすべて1つのマシンに留まります。
- 制限された環境。インターネットに到達できないマシン。SCIF、飛行機、ロックダウンされたコーポレートラップトップ。
- 規制上の制約。第三者に音声を合法的にアップロードできない業界または管轄権。
一般的な使用では、実際的な違いはより単純です。オンデバイスはインターネット接続なしで動作します。クラウドベースはそうではありません。
精度の問題
精度—エンジンが単語を正しく認識する頻度—は、オンデバイスまたはクラウドベースと同義と見なされることがよくありますが、そうではありません。クラウドベースのエンジンは精度が高い場合があります。オンデバイスエンジンは精度が高い場合があります。オンデバイスエンジンは平凡である可能性があり、クラウドエンジンは平凡である可能性があります。その場所は、トランスクリプションがどのくらい効果的かとは無関係です。単語エラー率はこれを測定する方法のひとつですが、ベンチマーク条件での測定は実際の使用と異なることが多いです。
位置によって実際に変化するのは、アップデートの速度と、サポートされている言語の広さです。クラウドサービスはエンジンを瞬時にすべてのユーザーに更新できます。オンデバイスエンジンは、新しいモデルの重みの配布が必要です。これは遅いですが、サーバーが稼働し続ける必要はありません。
音声入力への適用
今日、人々がオンデバイス音声認識に最も一般的に遭遇する場所は、音声入力アプリです。マシン上で音声認識モデルを実行する音声入力アプリケーション、ボイスメール音声の変換、ライブキャプション、および音声をテキストに変換する他のアプリケーションに等しく適用されます。