⑤ ディープラーニングの応用例 ／ 28. 音声処理
音声認識とは
音声認識とは、音声を解析してテキストへ変換するSpeech-to-Text（STT）技術です。従来はHMM、現在はDNN・RNN・Transformerを用いたEnd-to-Endモデルが主流です。
この用語はG検定シラバスの「28. 音声処理」に含まれます。 章全体の用語は用語解説⑤（全133語）にまとまっています。
一言でいうと
話した言葉を文字に変換する技術です。
従来の構成
かつては複数の部品を組み合わせていました。
それぞれを別々に設計・調整する必要がありました。
End-to-Endへ
現在は音声から直接文字列を出力するEnd-to-Endモデルが主流です。CTCやAttentionによって実現されました。
部品ごとの調整が不要になり、全体を一貫して最適化できるため精度が大きく向上しています。
難しくする要因
- 雑音：周囲の音が混ざる
- 話者の違い：声質・速度・訛り
- 同音異義語：文脈がないと決められない
最後の点は言語モデルの役割です。音だけでは決まらないため、言語的な知識が不可欠になります。
混同しやすい用語との違い
| 用語 | ポイント |
|---|---|
| 音声認識 | 音声 → テキスト（STT） |
| 音声合成 | テキスト → 音声（TTS） |
🎯 G検定での押さえどころ
- Speech-to-Text（STT）
- 従来はHMM、現在はEnd-to-Endが主流
- CTCやAttentionがEnd-to-Endを可能にした
⚠️ よくある誤りの選択肢
- 「音声認識はテキストから音声を生成する技術である」→ 誤り。それは音声合成です
関連する用語
ご利用にあたって 本ページの内容は、JDLAが公開しているG検定シラバス2024や公式テキストなど、一般に公開されている情報をもとに独自に整理・解説したものです。実際の試験の出題内容を示すものではなく、また合格を保証するものでもありません。制度・法令・試験要項は変更されることがあるため、最新の情報は必ずJDLA公式サイトでご確認ください。