音声認識とは、話された音声を聞き取ってその内容を文字起こしに変換するシステムのことです。この用語自体では、音声がどこで処理されるのか、変換後の文字がどのように扱われるのか、あるいはその後の処理が内容を理解しているかどうかなど、何の暗示も含まれていません。字幕生成ツール、ボイスメールの文字起こし、裁判所での速記ツール、音声入力アプリなどはすべて音声認識に該当します。それらを区別するのは、すべてがこの1つの変換ステップを中心に構築された仕組みです。
この用語が含まれる・含まれないもの
音声認識とは、単に変換ステップの部分に過ぎません。よく混同されがちですが、以下のようなものとは異なります：
- 音声アシスタントとは異なります。 アシスタントは、文字起こしの結果として何か行動を起こします。例えば、質問に答えたり、検索を実行したり、タイマーをセットしたりします。一方、音声認識単体では文字起こしの結果を出力するだけで、その後の処理は別途のレイヤーとして存在します。一部の製品には含まれ、一部には含まれないのが現状です。
- 音声コマンドとは異なります。 「その段落を削除せよ」という指示を認識するツールは、コマンジング認識を行っています。これは、音声をプロセスとして固定されたアクションと照合するのではなく、プロセスとしての文章として認識するものとは異なります。一部の製品では両方を行うこともあります。しかし、これらは異なる問題です。
- 翻訳とは異なります。 フランス語で話された音声をフランス語で文字起こすことは音声認識です。フランス語で話された音声を英語で文字起こすことは、音声認識の上に翻訳を追加したものです。これは、単純な変換ステップには含まれません。
変換が実際にどこで行われるか
音声は2つの方法で処理され、その違いは表面的に感じられるほど重要です：
オンデバイス — 音声認識エンジンは、音声を録音した同じ機器上で動作し、文字起こしの結果もその機器にとどまります。ネットワーク接続がなくても動作し、音声や文字起こしの内容はどこにもアップロードされません。
クラウドベース — 音声はサーバーに送られ、そこで変換され、文字起こしの結果は戻ってきます。これは通常、より大きなモデルを活用し、多くの言語をサポートできます。しかし、すべての文に対してネットワーク接続が必要であり、音声は最初の機器とは異なるサーバーに届きます。
どちらのアプローチも一概に優れているとは限りません。どちらも、音声がどこに送られるかによって能力の違いが生じ、特定の用途に合った選択が必要です。Coii VoiceInput と Wispr Flow の正直な比較 は、オンデバイスのツールセットとそれ以外のツールセットを比較し、それぞれのトレードオフが実際にどれほどかを説明しています。
音声入力ソフトウェアがこの枠組み内でどこに位置づけられるか
音声入力アプリは、音声認識を特定の狭い用途としています。つまり、音声を文字起こしに変換し、その結果をすでにフォーカスしているアプリケーションに直接入力するものです。それに対して、独立した文字起こしファイルを生成して別途開くものとは異なります。音声入力ソフトウェアとは何か は、この区別を詳しく説明しています。
正確性が実際に測定するもの
音声認識システムは、文字起こしの結果が実際に話された内容とどれだけ一致するかで比較されます。誤字率が低いほど、間違った文字が少ないことを意味しますが、その数値だけでは、音声がどこで処理されたかについて何も示していません。プライベートのオンデバイスエンジンとクラウドサービスでも、どちらも低い誤字率を発表することがありますが、音声自体の処理方法はまったく異なります。マックでの音声認識の広範な利点 は、このトレードオフが特定のオペレーティングシステムに適用されたときの様子を説明しています。