自動音声認識（ASR）とは？
- 公開日
- 最終更新日
聴くこの記事を聴く
1952年、世界で最も先進的な音声認識システムが理解できた言葉は、わずか9語でした。
そこから約75年後、音声自動認識（ASR）は数十の言語をリアルタイムで文字起こしし、スマートフォンの音声アシスタントからライブ動画に表示される字幕まで、幅広く活用されています。
このガイドでは、1952年のシステムと現代の技術の隔たりを埋めた技術を解説します。ASRとは何か、音声をどのようにテキストへ変換するのか、そして現在もASRがどのように進化を続けているのかを紹介します。
要約：
- ASRは音声自動認識のことで、話し言葉のオーディオを文字テキストに変換する技術です。
- ASRの初期形態は1952年に登場し、2010年代後半にはディープラーニングシステムが人間のベンチマークに匹敵する性能に到達しました。
- 現代のASRでは、数百万時間のオーディオで学習したエンドツーエンドのニューラルネットワークを使用します。
- 単語誤り率（WER）は標準的な精度指標ですが、本番環境のASRではレイテンシー、話者ダイアライゼーションの品質、文脈理解も重要です。
- ElevenAPIは、デベロッパーに本番環境向けのASRを提供します。これはArtificial Analysisの独立ベンチマークで、単語誤り率2.2％を記録しました。これは同社の指標で最も低い数値です（2026年7月）。
音声自動認識（ASR）とは？
音声自動認識は、ASRという略称でも広く知られており、人の話し声を聞き取り、正確で機械可読なテキストに変換するソフトウェアを指します。一般にスピーチtoテキストや音声認識、コンピューター音声認識とも呼ばれます。
ASRは非常に身近な技術となっており、気づかないうちに毎日利用しているかもしれません。メッセージを音声入力するとき、音声アシスタントに質問するとき、ライブ動画で字幕を読むとき、あるいは自動音声応答電話システムを操作するときにも、ASRが使われています。
スピーチtoテキストとASRは同義語として使われることが多く、密接に関連していますが、厳密には同じものではありません。ASRは発話内容を識別する技術であり、STTはその技術をツールとして応用したものです。音声認識ソフトウェアはASRの上に構築され、誰が特定の言葉を発したかを識別します。これが話者ダイアライゼーション機能の基盤になります。
小さな違いですが、ASR／STT／音声認識システムをアプリやウェブサイトに統合するなら、理解しておく価値があります。
音声自動認識技術の簡単な歴史
音声自動認識技術は、多くの人が思うよりはるかに古く、初期の試みは1950年代にさかのぼります。誕生から70年以上にわたり、ASRは歴史的な進歩の基盤となった複数の重要な段階を経てきました。
ASR技術がたどってきた主な時代を見てみましょう。
- 1952年と最初のASR：1952年、AUDREYとして知られるAutomatic Digit Recognizerが、1から9までの数字を理解するためにベル研究所で開発されました。このツールの精度は約90％で、発明者本人が使用する場合にしか機能せず、非常に限定的でした。現代の能力とは大きく異なりますが、1〜9を認識できるだけでも当時は画期的な成果でした。
- 1960〜70年代とASR語彙の拡大：その後数十年にわたり、IBM、ユニバーシティ・カレッジ・ロンドン、日本のNECを含む世界各地の研究所が、さまざまな用途でAUDREYに似たモデルを開発しました。スタンフォード大学のインド出身の大学院生、ラジ・レディは、博士課程のプロジェクトで母音認識器を構築し、単語ごとに間を置かずに話せる連続音声認識の基盤を築きました。この時期にはDARPA（国防高等研究計画局）が研究に資金を提供し、1976年までに1,000語以上を認識するうえで重要となる、文の構築・復号手法であるビームサーチにつながりました。
- 1980年代〜2010年代初頭の統計的進歩：1987年、ラジ・レディの教え子で、当時は教授となっていた研究者が、隠れマルコフモデルとビームサーチを組み合わせました。これにより、特定の1人の話者で学習する必要がないASRが実現しました。このブレークスルーにより、音声認識システムの学習時間は大幅に短縮されました。1997年にはDragon Systemsが、NaturallySpeaking Preferredという初の商用ASRを発売しました。毎分100語を認識でき、好調な売れ行きを記録しました。
- 現代とディープラーニング：2010年代、研究者たちは、オーディオと文字起こしデータでエンドツーエンド学習した単一のニューラルネットワークが、純粋な統計的パイプラインを上回ることを実証しました。ディープニューラルネットワークの登場により、ASRは誤り率5〜10％で人間に近い性能へ到達しました。この時期にAlexaやSiriのような音声ベースのアシスタントが市場に登場しました。
それ以降、ASRは精度と普及率を高め続けています。2026年7月時点で、Artificial Analysisの独立調査では、ElevenLabs Scribe v2が業界最高水準となる単語誤り率（WER）2.2％を達成したとされています。
ASRの仕組み：スピーチtoテキスト技術の基本
ASRは、オーディオサンプルを取得して数値表現に変換し、学習済みモデルでその数値が表す可能性の高い単語列を予測することで機能します。現代のASRでは、このシステム全体をリアルタイムで処理し、エンドツーエンドのプロセスを1秒未満で完了します。
ASRパイプラインには、主に5つの段階があります。
- オーディオの取得と前処理：システムはオーディオ信号を録音し、バックグラウンドノイズの除去、エコーの低減、音量レベルの正規化を行い、一貫性を高めます。モデルによっては、文字起こしを始める前に音声アクティビティ検出（VAD）を使用し、発話を無音や背景音と区別します。
- 特徴量抽出：オーディオは通常、スペクトログラムやメル周波数特徴量といった数値表現に変換され、人の発話に含まれる周波数やパターンを正確に際立たせます。この段階では、生の波形を機械学習モデルが効率的に処理できるデータに変換します。
- 音響モデリング：ニューラルネットワークが前段階の特徴量を分析し、音響パターンと話し言葉の関係を学習して、音素などの音声単位を予測します。現代のエンドツーエンドモデルでは、この処理を完全に別の段階としてではなく、言語理解と同時に行うことがよくあります。
- 言語モデリングと復号：次にシステムは、文法、文脈、数学的確率といった規則に基づき、最も可能性の高い単語列を判断します。2つの文はIPA（国際音声記号）での表記が似ていても、文脈はまったく異なることがあるため、後者の2つは特に重要です。たとえば「Recognize Speech」と「Wreck a nice peach」は同じように聞こえる場合がありますが、意味はまったく異なります。精度だけでは判断できない場合、文脈が正しい表現の決定に役立ちます。
- 出力フォーマット：発話内容を判断した後、句読点や大文字・小文字を含む最終テキストが文字起こしされます。単語単位のタイムスタンプや話者ラベルといった追加メタデータにより、より詳細な文字起こしを作成できます。
これらの主要な段階を通じて、モデルは入力されたオーディオデータを文字起こしテキストへ変換します。
従来のハイブリッドシステムとエンドツーエンドのディープラーニングASR
上記のパイプラインはASRの仕組みを示していますが、その中間部分には実際には2つの技術的アプローチがあります。
従来のシステムは、単語の発音を符号化するレキシコンモデル、オーディオを音素に対応付ける音響モデル、可能性の高い単語列を予測する言語モデルなど、複数のコンポーネントを連結します。これらのコンポーネントを作るには、発音辞書を手作業で作成する言語学者から、各単語をオーディオ内の正確な位置にアラインメントするアノテーターまで、人の専門知識が必要です。
エンドツーエンドのディープラーニングでは、これらすべてのコンポーネントを単一のニューラルネットワークに統合します。このネットワークは、数百万時間分のオーディオと文字起こしのペアから、発音、音響、言語確率の統計を暗黙的に理解し、オーディオを直接テキストへ対応付けます。
従来のASR技術と現代的なアプローチの違いを見てみましょう。
ASR精度の測定方法：単語誤り率（WER）のベンチマーク
すべてのスピーチtoテキストおよびASRワークフローにおいて、単語誤り率（WER）は企業が使う主要な精度指標です。ASRで生成された機械文字起こしを、人間が検証したバージョンと比較します。ここでは主に、置換、削除、挿入の3種類の誤りを考慮します。
WERの計算式では、総誤り数を参照文字起こし内の単語数で割ります。WERが5％の場合、テキストの95％を正確に文字起こしできたことを意味します。現在の主要モデルは、5％を大きく下回り、より完全な精度に近づいています。
WERは有用なベンチマークですが、ASRツールの有効性を判断する際には、ほかの要素も考慮する必要があります。
- フォーマット精度：標準的でない文字列を適切にフォーマットできるでしょうか。たとえば、$1,225のような金額をそのまま表示できるか、それとも「千二百二十五ドル」と綴ってしまうか、といった点です。
- レイテンシー：精度は重要ですが、単純な文字起こしの生成に数分かかるツールは実用になりません。どれほど高精度でも、実用性を高めるには低レイテンシーとのバランスが必要です。
- 堅牢性：強い アクセントや騒がしい背景音といったユースケースでも、モデルの精度が大幅に低下すべきではありません。
- ダイアライゼーションの品質：複数話者のユースケースでは、すべての単語を正しい話者に正確に紐付けることが不可欠です。異なる話者を識別して正しくタグ付けできることは、特に法廷のように複数話者が多い業界において、ASRの品質に貢献します。
詳しくは、単語誤り率に関する包括的なガイドをご覧ください。
現代の企業におけるASRの主なメリット
世界の音声・ボイス認識市場は、2030年までに231.1億ドル超に成長すると予測されています。年平均成長率19.1％という市場成長は、この技術が商用デバイスにどれほど広く普及しているかを示しています。現代のスマートフォンには音声入力キーボードと音声アシスタントが搭載され、新しい車の多くは音声コマンドに対応しています。スマートスピーカーやアシスタントも、今では世界中の家庭にあります。
音声によるテクノロジーとの対話は、今や利用者にとって標準的な選択肢です。企業にとってASRは、顧客通話の文字起こしから音声エージェントの支援までを提供し、業務プロセスに統合して生産性を高めます。
現代の企業におけるASRの主なメリットをいくつか紹介します。
- 入力と記録の高速化：10年以上前にも、スタンフォード大学の論文で、音声認識技術は低い誤り率を維持しながらキーボード入力の約3倍の速さであることが示されました。大半の人にとって、ASRは文字起こしワークフローや音声中心のメモ作成における記録を高速化します。
- 運用コストの削減：かつて何時間もの手作業によるメモ取りに頼っていた多くのユースケースで、ASR技術は高品質な文字起こしのコストを大幅に削減します。裁判、コンタクトセンター、医療クリニック、ビジネス会議では、詳細なメモや会話全体の話者分離済み文字起こしを作成する高精度なASRシステムを利用できます。
- アクセシビリティの向上：世界保健機関は、25億人が2050年までに何らかの聴覚障害を抱えると予測しています。高度なASRツールが提供するリアルタイム字幕は、デジタル会議やメディアをユーザーが利用しやすいものにできます。
- 検索可能な音声データ：ASRで音声を自動的に文字起こしすると、顧客と企業のあらゆるやり取りが完全に記録されます。営業電話、サポートチケット、見込み顧客との通話、会議のすべてが、検索・監査可能なテキストになります。特にAI時代には、機械可読形式で文脈を抽出できることが、広範なナレッジベースの構築に役立ちます。機能面でもコンプライアンス面でも、情報を見える状態に保つことにつながります。
- 常時対応のカスタマーエクスペリエンス：ASRは、音声エージェントの基盤技術の一つです。これにより、顧客からの電話を解決する24時間365日の自動サポートユースケースを実現します。
音声自動認識がテクノロジーで広く使われているのは、導入によるメリットが多く、対応できるユースケースも幅広いためです。医療分野でも、感情分析のために顧客通話を文字起こししたい場合でも、ASRは導入・活用できる基盤技術です。
業界を問わないASRの代表的な活用例
音声自動認識は、数え切れないほどのワークフローやプロダクトの中核技術です。あまりにも広く普及しているため、ユーザーは利用するテクノロジーにどのように組み込まれているかを意識しないことも多いでしょう。
世界で利用されているASRの代表的なユースケースを簡単に紹介します。
カスタマーサービスとコンタクトセンター
コンタクトセンターはASRを早期に導入し、品質保証やコンプライアンスのために通話を文字起こししてきました。現在では、ASRをリアルタイムで実行し、会話中のエージェントに提案を提示したり、数千件の顧客対応をチームが分析できるデータへ変換したりできます。
メディアとエンターテインメント
放送局やストリーミングプラットフォームは、人手では対応できない規模で人の会話の字幕やキャプションを生成するためにASRを活用できます。リアルタイム文字起こしを実現するだけでなく、ビデオやオーディオのライブラリ全体を検索可能にします。
ヘルスケア
臨床スタッフは、驚くほど多くの時間を文書作成や記録に費やしています。ASRはその時間を取り戻し、医師に医療向けSTTプラットフォームを提供します。医師はそこにリアルタイムでメモを音声入力できます。
バーチャル会議
会議プラットフォームでは、会話をリアルタイムで文字起こしするデジタルノート機能が提供されることが多く、参加かメモ取りかを選ぶ必要がありません。Google Meetのようなサービスでは、会議後にアクションアイテムを強調表示した文字起こしを送信し、検索可能な情報インデックスの作成に役立てています。
法務とコンプライアンス
法的な場面では、誰が何を話したかを正確に記録することが、法廷における中心的な要件です。法律事務所では、将来の参照に備え、会議、審問、顧客との通話、法廷審理を正確なタイムスタンプ付きで文字起こしするためにASRプラットフォームを活用します。
教育
大学教員は講義の記録テキストを提供することで、学生が受講した授業の記録を蓄積できるようにします。情報の理解や記憶において、学生は出発点となる包括的な教材を利用できます。
音声エージェントのパイプラインにおけるASRの位置付け
ASRは幅広いテクノロジー導入の標準的な要素です。音声エージェント技術では、連続的に繰り返される3つの大きな段階の最初に位置します。
- 聞く（ASR）：エージェントは入力オーディオストリームを取得し、音声をリアルタイムでテキストに変換します。現代のASRは、到着したオーディオを継続的に処理し、バックグラウンドノイズの除去、割り込みへの対応、部分的な文字起こしの生成、各話者の発話タイミングの識別を行います。
- 考える（言語モデル）：大規模言語モデルは文字起こしを解釈し、ユーザーの意図を理解します。接続されたツールやナレッジベースから情報を取得し、会話の文脈を維持したうえで、最適な応答やアクションを決定します。
- 話す（テキスト読み上げ）：テキスト読み上げモデルは、生成されたLLMの応答を自然で表現力豊かなオーディオに変換します。現代のTTSシステムでは、応答全体の生成を待つことなく、生成中のオーディオを通話者へストリーミングしながら、話す速さ、イントネーション、感情、強調を調整できます。
会話のレイテンシーは、これらすべての段階で積み重なります。ストリーミングASRは、レイテンシーを減らすため、発話が完了するのを待たず、言葉が話された時点で出力を開始します。ElevenAgentsでは、これをリアルタイム音声エージェントの標準として採用し、高効率なエージェント体験を実現しています。
ASRの課題と技術の進化
ASR技術は1952年の登場以来大きく進歩しましたが、精度を下げる可能性のある課題は今も残っています。
ASRツールが現在も直面している課題を紹介します。
- アクセントと方言：利用可能な学習データは通常、少数の言語やアクセントに集中しています。そのため、あまり一般的でないアクセントや、話者数が少ない言語は、ASRツールにとってより難しい課題になります。解決策は、豊富で多様な学習データセットです。
- バックグラウンドノイズと話者の重なり：音量が変動する環境や大きなバックグラウンドノイズがある環境では、録音中の個々の単語を特定しにくくなります。話者の発話が重なる場合も同様に、ASR文字起こしの精度を下げる可能性があります。
- 専門分野の語彙：特有の専門用語や頭字語を使う分野では、精度を高めるために分野別の辞書や参照情報が必要です。医療と法務は、ASRツールに追加の支援や専門的な学習が必要となる2つの分野です。
- プライバシーとセキュリティ：多くの法域では、音声データは個人データとして扱われます。企業は、音声データの取り扱いを保護し、より広範な規制への準拠を確保するために、明確な保持ポリシーとガードレールを整備する必要があります。
ASR技術を扱う際にさらに考慮すべき点は、レイテンシーと精度のバランスです。一部のユースケースでは両者のバランスを取る必要がありますが、医療のような分野では、精度が何よりも優先されるでしょう。
本番環境向けASR統合をElevenAPIで始める
ElevenAPIは、ElevenLabsのスピーチtoテキストモデルであるScribe v2を通じて、本番環境向けの音声自動認識をプロダクトに提供します。Scribe v2は、単語単位のタイムスタンプ、話者ダイアライゼーション、オーディオイベントのタグ付けに加え、リアルタイムアプリケーションに必要な精度と信頼性を提供します。
ElevenLabs スピーチtoテキストページで詳細をご覧いただくか、無料アカウントを作成して、数分でAPIを使い始めましょう。
