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
主要出典
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