音声認識とは？
音声認識（Speech Recognition）とは、人の話し声をコンピュータが聞き取り、文字に変換する技術です。「音声からテキストへ」という意味でSpeech-to-Text（STT）とも呼ばれます。スマホの音声入力、会議の自動文字起こし、スマートスピーカーへの呼びかけなど、すっかり日常の技術になりました。
ディープラーニングで実用レベルに
かつての音声認識は認識精度が低く、はっきりゆっくり話さないと使いものになりませんでした。ディープラーニングの導入で精度が飛躍的に向上し、自然な会話速度でも高精度に聞き取れるようになりました。OpenAIが公開したWhisperのような高性能モデルの登場で、多言語・雑音環境への対応も大きく進みました。
身近な活用シーン
- 会議・取材・動画の自動文字起こし、字幕の自動生成
- スマホの音声入力でのメッセージ作成（フリック入力より速い場面も多い）
- チャットAIとの音声会話の「聞き取り」部分
- コールセンターの通話記録のテキスト化・分析
特に文字起こしは、AIによる効率化の代表例です。1時間の会議の書き起こしが数分で終わり、要約までAIに任せられるようになりました。
音声合成とセットで覚える
音声認識が「耳」だとすれば、文字から声を作る音声合成（TTS）は「口」にあたります。この2つにLLMの「頭脳」を組み合わせたものが、AIとの音声会話です。マルチモーダル化の進展で、聞き取り・思考・発話を一体で行う自然な会話が可能になり、「AIと話す」体験は年々人間との会話に近づいています。
日本語の音声認識も専門用語や方言への対応が進み、議事録作成の実用レベルに達しています。会議の多い職場なら、文字起こしAIの導入は「最初に効果を実感できるAI活用」の筆頭候補です。
スマホの音声入力も一度試してみてください。長文のメッセージやメモは、話したほうが速い場面が意外なほど多いはずです。