人には自然な会話が、音声AIには難しい理由

人は思っている以上に、会話を理解するのが得意です。カフェで音楽が流れ、隣のテーブルでも会話があっても、目の前の人の話に集中できます。相手が単語を最後まではっきり発音しなくても、前後の文脈から意味を推測できます。
そのため、音声認識を単純に考えると、「人が話した音を文字にすればよいのでは」と思うかもしれません。
ところが実際の会話には、静かな部屋で一人がマイクの近くではっきり読み上げる場合とは異なる課題があります。会議室では複数人が話し、ノートパソコンのマイクから遠い人もいます。社内でしか使われない製品名や略語も頻繁に出てきます。
人が意識しないほど自然にこなしていることを、AIは一つずつ解決する必要があります。
現実の音声には雑音があります
音声認識に向いているのは、静かな場所で、一人がマイクの近くではっきり話す状況です。実際の業務では、こうした条件は多くありません。
会議室には空調やキーボードの音があり、机をたたく音も入ります。ノートパソコン1台で複数人の声を録音することもあります。オンライン会議では回線の状態により音声が途切れたり圧縮されたりします。電話では、利用できる音質自体に制約があります。
人はこうした環境でも、聞き取れなかった部分の多くを自然に補います。一つの単語を正確に聞けなくても、文の前後と話題から意味を推測します。
AIは、音声信号の複雑な条件に対処しながら、実際に発話があった区間を見つける必要があります。
複数の人が話すと、さらに難しくなります
会議で人がきっちり順番に話すとは限りません。誰かが話し終える前に別の人が答えたり、短い相づちと笑い声が重なったりします。
音声AIにとって、聞こえる音を文字起こしするだけでは足りません。別の人が話したことを判別し、それぞれの文を適切な話者に結びつけます。
これが、話者分離(Speaker Diarization)が必要な理由です。
「この案で進めます」という一文も、担当者が言ったのか、意思決定者が言ったのかで意味が変わります。とくに会議後に誰が何を担当するか確認するときは、発言内容と同じくらい話者の情報が重要です。
「話者1」から実際の名前へ
従来の話者分離では、通常、異なる声を話者1、話者2、話者3のように区別します。別々の人が話したと分かるだけでも、議事録の価値は大きく高まります。
それでも、利用者はもう一歩先を知りたくなります。
「では、話者1は誰でしょうか?」
dagloでは、話者分離から一歩進め、話者識別(Speaker Identification)を導入する予定です。登録済みの話者の声の特徴を判別し、聞き覚えのある話者であれば誰の声かを識別して、会議の記録に名前を自動でひも付ける方向です。
会議のたびに人が話者1 = キム・ダグル、話者2 = イ・アクションと指定し直す手間を減らすことが目標です。
会議AIは、何が話されたかだけでなく、誰が話したかまで把握する方向に進化しています。
固有名詞がとくに難しいのはなぜか
人は社内の言葉をすぐに覚えます。同僚の名前、製品名、プロジェクト名、顧客企業名を何度か聞くと、自然に聞き取れるようになります。
AIにとっては、こうした言葉がとくに難しいことがあります。一般の文章にはあまり出てこず、発音だけでは複数の表記が考えられるためです。
初めて聞くサービス名が英語か韓国語か、一般名詞かブランド名か、どこに空白を入れるかを、音声だけで判断しなければならないこともあります。
専門分野ではさらに難しくなります。医療、法律、開発、金融など、特定の業界で使われる表現や略語は、一般的な言語データではあまり見られません。
組織で使う言葉を登録できる単語帳
dagloの単語帳は、こうした課題を補うための機能です。
一般的な音声認識モデルが十分に学習しにくい人名、会社名、プロジェクト名、製品名、専門用語などを、利用者が登録できます。これにより、文字起こしで該当する表現を認識しやすくなります。
同じ韓国語でも、業務で使う言葉は組織によって違います。ある会社だけで使うプロジェクト名、あるチームが何度も使う略語、ある業界でのみ自然に通じる専門用語があります。
音声AIには、一般的な言葉を理解するだけでなく、利用者が実際に使う言葉に適応することも必要です。
短い数字が大きな意味を持つ
数字も扱いが難しいものです。音の一部が似た表現があり、同じ数字でも、金額、日付、時刻、割合のどれかで意味が変わります。
しかも、会議では数字がとても重要です。価格、日程、目標、売上、契約条件が数字で表されます。
長い会議で大半の単語を正しく認識しても、重要な数字が一つ間違っていれば、利用者が感じる品質は大きく下がります。
音声認識を全単語の平均精度だけで説明しにくい理由の一つです。
人は音とともに文脈も聞いています
人が会話をよく理解できるのは、音だけを聞いているわけではないからです。今どのプロジェクトの話か、直前に何を話したか、相手がどんな仕事を担当しているかをすでに知っています。
「それは来週までに変えましょう」という一文だけでは、「それ」が何か分かりません。同じ会議に出ている人は前の話を知っているため、何を指すかが分かります。
音声AIも、より長い文脈を活用する方向に進化しています。短い音響信号だけでなく、前後の発話と会話全体の流れを扱い、文字起こし後には会話の構造や意味を分析できます。
実際の会話を記録するには、音を文字にするだけでは足りません。音、言葉、話者、文脈を合わせて扱う必要があります。
dagloが記録するのは、人が実際に交わす会話です
利用者は会議が始まるたびに室内の雑音を測ったり、発言が重ならないように管理したりしたいわけではありません。普段どおりに会議を進め、終わったあとに必要な記録を得たいのです。
使いやすい技術は、現実の複雑さを利用者にそのまま渡さず、内部で処理します。
dagloが取り組む課題も、文字起こしだけにとどまりません。exp-300などの音声認識エンジンで発言をより正確に記録し、単語帳で組織の用語を補います。今後は話者識別(Speaker Identification)を通じて、登録済みの話者が誰かを自動で識別する方向に進んでいます。
人にとって自然で簡単に見える会話がAIには難しいのは、思っている以上に多くの情報が含まれているからです。
dagloは、その情報をより多く、より正確に理解できるよう、開発を続けています。
会話を、次の仕事へ
今すぐ無料で始めてみてください