音声認識とは、人間が発した音声をコンピュータが解析し、テキストデータや操作命令として認識する技術です。スマートフォンの音声アシスタント (Siri、Google アシスタント、Alexa)、音声ガイダンスの音声入力対応、通話の自動文字起こし、IVR の音声認識メニューなどに活用されています。
音声認識の精度が飛躍的に高まったのは、2010 年代に深層学習 (ディープラーニング) が導入されてからです。大量の音声データから音の並びの特徴を学習させる手法によって、同音異義語が多く単語の区切りが明示されない日本語でも実用的な精度に届くようになり、方言やアクセントへの対応も進みました。ビジネスシーンでの議事録自動作成や、コールセンターでの通話内容のリアルタイム分析にも使われています。
電話との関連では、ボイスメールの文字起こし機能が代表的です。iPhone の「ライブ留守番電話」は、着信中に相手のメッセージをリアルタイムでテキスト表示し、内容を見てから応答するか判断できる機能で、Apple は対応言語に日本語 (日本) を挙げています。Google Pixel の「通話スクリーニング」も音声認識で相手の用件を確かめる機能ですが、Google の説明では、かかってきた電話に自動で応答してスクリーニングできる国はオーストラリア・カナダ・アイルランド・英国・米国で、日本は利用者が操作して用件を尋ねる手動のスクリーニングのみに対応しています。
一方で、音声認識技術の悪用も懸念されています。音声クローン技術は、わずかな音声サンプルから話者の声質を学習し、本人そっくりの声を作り出す音声合成 (話者の声質を学習させたテキスト読み上げ) を核とする技術です。声をテキストに変換する音声認識とは別系統の技術で、音声認識が関わるのは声で本人を確かめる側 (音声認証) です。合成された声で音声認証 (声紋認証) が突破されるリスクもあるため、声だけに頼らず複数の要素を組み合わせて本人確認を行う考え方が重要になっています。