ASRの書き起こし精度：80%と98%の差を生む、モデル以外の4つの要因

録音品質が認識結果を左右する

音声認識（ASR）は、スマートフォンの入力、会議用レコーダー、顧客対応システム、動画字幕などに広く使われています。公開ベンチマークでは、主要エンジンのCERはすでに5%未満に達しています。良好な音声信号であれば、専門の書き起こし担当者に近い品質を目指せます。

一方、実際の業務では、人名の誤認識、会議中の似た音の取り違え、インタビューに残る「えーと」「あのー」、さらには30秒の無音区間に文章が生成される問題も起こります。エンジンが安定して力を発揮できるかどうかは、入力音声の品質に左右されます。

DolphinVoiceのエンジニアリング実務では、静かな室内、マイクに近い位置、自然な話速、事前登録した専門用語という条件がそろうと、主要エンジンで95%以上の精度に達する一方、空調音、遠距離収音、発話の重なり、専門用語が多い音声では80〜90%にとどまるケースが見られます。残る5〜10ポイントを改善するには、録音方法にも目を向ける必要があります。

ここでは、書き起こしの誤りが生じる理由と、用途に応じた改善方法を整理します。

音声が文字になるまで

音声認識の処理は、大きく3段階に整理できます。

1. 音響特徴の抽出： 波形を25 msなどの短いフレームに分け、スペクトルやメル周波数ケプストラム係数（MFCC）といった特徴を取り出します。
2. 音響モデルと言語モデル： 音響特徴から音素などの表現を推定し、言語モデルで単語列を組み立てます。
3. 後処理： 大文字・小文字、句読点、話者ラベル、ホットワードによる置換、不適切語のフィルタリング、信頼度の付与などを行います。

入力音声は「どこまで聞き取れるか」を制約し、言語モデルと後処理は「曖昧な部分をどこまで正しく判断できるか」に関わります。前者は録音品質、後者は学習データやカスタマイズの影響を受けます。

図1：音声入力、音響処理、言語推定、文字出力。録音品質と認識処理の両方が結果に影響します。

DolphinVoiceでは、ホットワードのカスタマイズ、単語単位の信頼度、話者分離を組み合わせて運用します。録音時の物理的な劣化をすべて解消することはできませんが、残っている信号を活用する余地はあります。

フィールド、呼び出し方法、エラーコードはドキュメントをご覧ください。

書き起こしが崩れる4つの要因

収音機器：信号対雑音比を確認する

内蔵マイクは、ノートPC、スマートフォン、タブレットに搭載されています。収音距離の目安は30 cm〜1 m程度で、会議で離れた人の声を拾うと信号対雑音比が下がります。機器の電子ノイズやファンの音も入りやすく、100 Hz〜8 kHz程度の周波数特性では歯擦音の情報が不足することがあります。

外付けマイクは、USB、3.5 mm端子、Bluetoothなどで接続します。収音範囲や感度に加えて、マイク自体の周波数特性と指向性が重要です。安価な全指向性USBマイクは周囲の雑音も拾うため、ノートPCの内蔵マイクより優れているとは限りません。

Bluetoothヘッドセットでは、録音経路のサンプリングレートが8 kHzに制限される場合があります。サンプリングレートはモデルが利用できる音の細かさを左右します。16 kHzのWide Band Speech（HD Voice）で認識に必要な情報を確保でき、それ以上に上げても精度改善につながらない場合があります。AAC、SBC、aptXなどの非可逆圧縮も、伝送時に情報を失う要因です。

専用録音機器を選ぶ際は、周波数特性、サンプリングレート、指向性を確認します。1人の発話には単一指向性（カーディオイド）、円卓には全指向性、対面インタビューには双指向性が選択肢になります。

図2：4種類の録音機器。用途に合わせて、サンプリングレート、周波数特性、指向性を確認します。

録音環境：雑音の種類を把握する

会議では、マイクアレイを備えたスピーカーフォンが選択肢になります。会議室でノートPCの内蔵マイクを使うと、実用的な収音半径が1 m未満となり、離れた参加者の声が雑音に埋もれることがあります。空調、扇風機、プロジェクターの冷却ファンなど、継続する音を減らしてから録音します。

インタビューは、静かな室内でマイクに近い位置から録音します。本番前に30秒の試し録りを行い、音量、明瞭さ、クリッピングの有無を確認してください。自然な速さで明瞭に話すことが重要です。条件のよいインタビューでは、認識精度が100%に近づく場合もあります。

屋外では、特に風の音への対策が必要です。ウインドジャマーや口元に近いピンマイクを使います。道路交通の雑音は500 Hz〜2 kHz付近で人声の重要な帯域と重なり、認識を妨げます。継続的に屋外で収音するなら、マイクの買い替えだけでなく、ノイズリダクションと話者分離に対応するエンジンも検討します。

図3：会議では残響と発話の重なり、インタビューでは環境雑音、屋外では風の音に注意します。

録音距離：1人なら30〜50 cmを目安にする

• 近すぎる場合、20 cm未満： 息が直接当たる音や歯擦音で入力が過大になることがあります。
• 遠すぎる場合、60 cm超： 声が小さくなり、環境雑音の割合が増えます。
• 複数人の場合： マイクを中央に置くか、ビームフォーミングに対応するスピーカーフォンを使います。

1人の発話では口元から30〜50 cmを目安とし、円卓では参加者とマイクの距離が大きく偏らないようにします。

図4：距離が離れるほど声のレベルが下がり、雑音の相対的な割合が増えます。推奨距離の目安は30〜50 cmです。

話者の特徴：話速、同音語、重なり、専門用語

速すぎる発話や不適切な音量。 中国語で毎分250文字を超える話速や、−20 dBFSを下回る音量は、認識率低下の要因として挙げられます。自然な速さと音量で話すことが基本です。この話速は中国語の文字数による目安で、日本語にそのまま当てはめるものではありません。

同音語や似た音の語。 文脈を使って判断する必要がありますが、会議音声では判断材料が十分でないことがあります。

複数人の同時発話。 声が重なると、話者の判定と単語の認識が難しくなります。順番に話す運用と、話者分離に対応するエンジンを組み合わせます。

専門用語や固有名詞。 人名、製品コード、業界用語は、日常会話より誤認識されやすい傾向があります。事前に語彙へ登録し、認識の手がかりを与えます。

図5：明瞭な発話と、重なりや専門用語に対応するエンジン機能の両方が役立ちます。

用途ごとの精度の目安

録音条件が変わると、書き起こしの難しさにも差が出ます。

これらは公開文献とDolphinVoiceのエンジニアリング経験に基づく参考範囲です。Playgroundでは、公開データセットを使ったDolphinVoiceと主要エンジンの比較を試聴できます。

収音機器、環境、距離、話者の4点を整えることが、良好な録音で精度を80%から98%へ近づけるための出発点です。条件が悪いままでは、モデルを変更しても80〜90%程度にとどまることがあります。

録音条件を変えられない場合の改善策

顧客、現場、パートナーが録音した音声を受け取る場合、収音からやり直すことはできません。DolphinVoiceでは、受け取った音声に対して次の4つの機能を活用できます。

ホットワードのカスタマイズ

人名、製品コード、業界用語、SOPの管理番号などを登録します。DolphinVoiceでは、管理画面またはAPIから数分単位でホットワードの一覧を更新でき、モデルの再学習は不要です。

話者分離

「話者1」「話者2」などのラベルを付け、各話者の発言を時系列で整理します。重なった言葉をすべて認識できない場合でも、議事録で誰が何を話したかを追いやすくなります。

単語単位の信頼度

書き起こし結果を、文章だけでなく信頼度付きの構造化データとして扱います。DolphinVoiceは文と単語ごとに0〜1の信頼度を出力します。業務システムで、人による確認、重要項目の検証、聞き直しの判定に利用できます。

オフラインの一括書き起こし

会議録音の一括登録、翌日の通話品質確認、録音アーカイブでは、即時性より精度と安定性が重視されます。オフライン処理では音声全体を参照できます。同じエンジンのリアルタイム版よりCERが通常1〜3ポイント低く、CPUでの推論に対応し、1台で月3,000時間を処理できる構成が示されています。

月3,000時間は単一マシンの処理能力であり、プランに含まれる利用枠を意味しません。料金は同時処理数や導入形態によって異なります。料金ページをご確認ください。

図6：録音条件を変えられない場合に活用する、後段の処理機能。

よくある質問

音声認識の精度は、どの程度なら十分ですか？

録音条件によります。静かな室内、近距離、標準的な発音という条件ではCER 1〜3%、精度97%以上が目安です。雑音を含む通話、会議、屋外録音ではCER 5〜15%の範囲も想定されます。まず音声の条件を分類してから評価します。

自分の録音だけ精度が低いのはなぜですか？

代表的な原因は、マイクが遠い、環境雑音が続いている、複数人が同時に話す、専門用語が未登録という4点です。エンジンを変更する前に、録音方法とホットワードの設定を確認してください。

マイクは口元からどのくらい離しますか？

1人なら30〜50 cmが目安です。20 cm未満では息や歯擦音が過大入力につながり、60 cmを超えると声に対する雑音の割合が増えます。会議では中央に設置し、参加者との距離をそろえます。

複数人の会議で精度を上げるには？

マイクアレイを備えたスピーカーフォンを使い、空調やファンなどの継続音を減らし、話者分離を有効にします。声が重なった場面でも、発言者を追いやすくするための対策です。

専門用語や人名、製品コードが毎回間違う場合は？

頻出する用語、人名、製品コード、管理番号をホットワードへ登録します。DolphinVoiceでは、管理画面またはAPIから数分単位で更新でき、モデルの再学習は不要です。

オフラインとリアルタイムでは、どちらが正確ですか？

オフラインでは音声全体と後続の文脈を使えるため、同じエンジンでも曖昧な部分を判断しやすくなります。CER改善の目安は1〜3ポイントです。即時性が不要な会議録音の登録、通話品質確認、アーカイブにはオフラインが適しています。

精度をシステム全体で評価する

「95%、97%、99%」という数字だけでは、実際の業務で使えるかは判断できません。収音品質は聞き取れる情報を、学習データとモデル構造は認識を、ホットワードと話者分離は業務への適合を、信頼度と人による確認は残った誤りへの対応を左右します。

これらを整えることで、80%の用途で98%以上の精度を維持できるという目安も示されています。録音条件や評価方法と合わせて検討することが必要です。

具体的な用途の精度評価は法人向け窓口へご相談ください。会社概要では、企業背景と技術の方向性を紹介しています。

DolphinVoiceを試す

データの参照範囲

• 主要エンジンのCER 5%未満： CSJ、AISHELL、TED-LIUMなどの公開音声認識ベンチマークのベースライン。
• 用途ごとのCER 1〜20%： 公開文献とDolphinVoiceのエンジニアリング経験。
• サンプリングレートとWide Band Speech： 16 kHzのHD Voiceで認識に必要な情報を確保するという技術的な考え方。
• マイクの指向性： カーディオイド、全指向性、双指向性、スーパーカーディオイド、ハイパーカーディオイド、バイノーラルなどの一般的な分類。