Speech to Text は、機械またはプログラムが、声に出して話された言葉を識別して、読みやすいテキストに変換する機能です。 初歩的な音声認識ソフトウェアでは、単語やフレーズの語彙が限られており、非常にはっきりと話された場合のみ、これらを識別することができます。 3518>

音声認識には、コンピューター サイエンス、言語学、およびコンピューター エンジニアリングのさまざまな研究分野が組み込まれています。 最新のデバイスやテキスト中心のプログラムの多くには、デバイスをより簡単に、またはハンズフリーで使用できるようにするために、音声認識機能が搭載されている場合があります。 しかし、この2つの用語は異なることを意味します。 音声認識は、話し言葉の中の単語を識別するために使用されます。 3518>

音声認識の仕組み

音声認識は、音響および言語モデリングを通じて、アルゴリズムを使用して動作します。 音響モデリングは、音声の言語単位と音声信号の関係を表し、言語モデリングは、音を単語のシーケンスとマッチングさせて、似たように聞こえる単語を区別するのに役立ちます。

多くの場合、隠れマルコフモデルも使用して、音声の時間パターンを認識してシステム内の精度を向上させています。 この方法は、将来の状態が過去の状態に依存しないと想定されるシステムをランダムに変化させます。 音声認識で使用される他の方法には、自然言語処理（NLP）またはN-gramが含まれる場合があります。 NLPは、音声認識プロセスを容易にし、より短い時間で行うことができます。 一方、N-gramは、言語モデルに対する比較的シンプルなアプローチである。 3518>

より高度な音声認識ソフトウェアでは、AIと機械学習が使用されます。 これらのシステムは、音声を処理するために、文法、構造、構文、および音声と音声信号の構成を使用します。 3518>

Applications

企業内での音声認識の最も頻繁なアプリケーションは、モバイル デバイスでの音声認識の使用です。 たとえば、個人がスマートフォンでこの機能を使用して、通話ルーティング、音声テキスト処理、音声ダイヤル、および音声検索を行うことができます。 スマートフォンのユーザーは、音声認識機能を使用して、携帯電話に目を落とすことなくテキストに応答することができます。 例えばiPhoneの音声認識機能は、キーボードやSiriなど、他の機能と連携している。 キーボードに第二言語を追加すれば、第二言語での音声認識機能を利用できます（音声認識を起動する際にキーボードで第二言語が選択されていることが条件です）。 Siri のような他の機能を使用するには、ユーザーは言語設定を変更する必要があります）

音声認識は、Microsoft Word などのワープロ アプリケーションにもあり、ユーザーはテキストとして表示させたい内容を口述することが可能です。 音声認識ソフトウェアの長所は、使いやすく、すぐに利用できることです。 音声認識ソフトウェアは現在、コンピューターやモバイル機器に頻繁にインストールされており、簡単にアクセスできます。

音声認識の欠点としては、発音の違いにより言葉を捉えられないことがあること、一部の言語をサポートしていないこと、周囲の騒音を選別できないことなどが挙げられます。 これらの要因は、不正確さにつながる可能性があります。 3518>

性能

音声認識の性能は、精度と速度で測定されます。 精度は単語エラー率で測定されます。 WERは単語レベルで動作し、転写の不正確さを特定しますが、エラーがどのように発生したかを特定することはできません。 速度は、リアルタイム性で評価されます。 コンピュータの音声認識性能には、発音、アクセント、ピッチ、音量、背景雑音など、さまざまな要因が影響します

。