「VoXTセルフ」の音声認識エンジンがリニューアル、認識精度は本当に向上したか

2015年12月14日、「VoXT（ボクスト）セルフ」の音声認識エンジンのリニューアルが実施され、認識精度が向上した、とのこと。新たにDNNという新しい技術を採用したことで、アドバンスト・メディアの調査では以前誤って認識した箇所が何％改善されたかという「誤認識改善率」が約20％という結果を記録しているようだ。

≫VoXTセルフサービスの精度が大幅に向上！音声認識エンジンがリニューアルしました（2015.12.14）

DNN（ディープニューラルネットワーク）とは、多層構造のニューラルネットワーク（人間の脳の神経回路の仕組みを模した情報処理モデル）で、DNNの採用により例えばグーグルの音声検索やSiriなども認識精度の向上を実現している。

前回（https://8089.co.jp/onsei-ninshiki/760）は「VoXT」を含めた音声認識ソフトやサービスについて音声認識精度を調査し、録音音声の文字化についてはサービス開始当時とそれほど変化はなかったとレポートしたが、その後「VoXTセルフ」の音声認識エンジンがリニューアルしたとのこと。そこで今回は、「VoXTセルフ」の認識精度は本当に向上したのか、録音音声の文字化について実際に調査した結果をレポートしたい。

■「VoXTセルフ」録音音声の文字化の結果

前回紹介した音声について、今回新たに録音音声の文字化を試した結果を紹介するので、比較してみてほしい。なお、音声自体は前回の記事にアップしているので、必要であれば前回記事を参照のこと。

画像の赤線は誤変換部分を示している。結果を見てもらうと分かるとおり、音声１～３のどの結果においても認識精度が向上した。特に音声３は、雑音が多く、話し方も考えながら話しているためケバが多く聞きづらい音声なのだが、この文字化の結果が向上したのは、個人的に今後に期待を感じたところ。その他にもいろいろな音声を試したが、基本的に以前より認識精度の向上を実感できた。

ただ、やはり音質が悪いものは厳しく、それっぽく起こせていても内容は全然違うという結果もまだ多くあるというのが現状で、この点については、やはり人間のほうが音声認識を使って起こすということを意識したいところ。一番は、音声認識に適した音声となるよう、マイクを使って上手に音声を録音することだ。次に、話し方にも精度は左右されるので、可能であれば話者は話し方も意識したい。

【音声認識に適した音声とは・参考】VoXTセルフ 文字変換精度比較

【参考】上手な録音方法

話し方としては、アナウンサーがニュース原稿を読み上げるような淡々とした調子が認識されやすく、一定の速度である程度長い文章をしゃべるほうが認識率は上がるといえる。例えば速度は一定だが抑揚のある話し方をしている音声と、かなり早口で淡々と話している音声を音声認識させた場合、音質は同じくらいでも早口の音声のほうがうまく認識されることが多いように感じる。

例えばこちらは、速度は一定だが少し抑揚のある話し方をしている音声の文字化結果だ。

ちょっと極端な例だが、この結果を見ても分かるとおり、ほとんど内容が起こせていない。音声を聞くと、話としては途中「えー」といったケバは含まれるものの切れることなく続いているのだが、特徴として話し方に抑揚があるので、音声認識エンジンがうまく音声区間を検出することができず、細かく音声が途切れて認識されてしまったようだ。また、一部区間は音声が存在しないと判断されて、音声が検出されていない箇所もあった。

とはいえ、こちらの音声は話し方に特徴がある以外に音質もそれほどよくないので、話し方に抑揚があると駄目というわけではないので、あしからず。

結論として、録音音声の文字化については録音音声の音質、話し方、話す内容など多くのことがその精度に関わってくるのでうまく文字化できるかどうかは試してみるしかないというのが正直なところであるが、今回の音声認識エンジンのリニューアルによって基本的にその精度が向上しているのは事実といえる。
「VoXTセルフ」では指定した部分から1分間のお試し文字変換（無料）を1つの音声ファイルに対して2回まで行えるので、ぜひ有効に活用したい。今後どこまで録音音声の文字化が進化していくのか、興味深いところだ。