音声認識(おんせいにんしき)

別表記:自動音声認識 / ASR / STT

人間が発する音声をコンピュータに解析させ、テキストへの変換や話者の特定などの処理を行う技術の総称。

データ

種別
自然科学・工学
NDC分類
007(情報学・情報科学)
原語・原綴
英語 speech recognition
品詞
名詞
タグ

概要解説

音声認識は、人間が発する音声情報をコンピュータに認識させる技術の総称である。人間の天然の認識と対比して自動音声認識(ASR)とも呼ばれ、計算言語学などの分野に含まれる。主なタスクには、話し声に含まれる言語情報を文字にする文字起こし(Speech-to-Text)や、設定したキーワードを検出する処理、発話内容ではなく話し手を特定する話者認識などがある。歴史的には1952年のベル研究所による装置や、1962年のIBMによる装置などが初期の例として挙げられる。処理手法は、1971年に登場した動的時間伸縮法から1980年代以降の隠れマルコフモデルへと移行した。さらに2010年代にはRNNをはじめとするニューラルネットワークが多用され、2020年代にはTransformerを用いた方法が主流となっている。

関連語

関連語
RNN | キーワード

主要出典

  1. ウィキペディア日本語版. (2026). 「音声認識」 (閲覧日 2026-11-12) [Web]
  2. Wikipedia (English). (2026). 「Speech recognition」 (閲覧日 2026-11-12) [Web]

作成:AIにより生成・検証(作成方法)

初版:2026-11-13 / 最終更新:2026-11-13

誤りを報告