認識品質
ノイズ、アクセント、専門用語の文字起こしを改善する方法
まず誤りの原因を見極め、録音、前処理、モデル、分割、修正を一項目ずつ試します。
「精度」の問題には複数の原因があります。語句がファンの音に埋もれている、音声区間検出で切られた、モデルに馴染みがない、編集時に置換された、といった可能性があります。どの誤りにも強いノイズ除去や大きなモデルを使うと、時間を浪費し、録音によっては悪化させます。
作業全体を変更する前に小さな評価サンプルを作ります。小さな声、ノイズのある箇所、関係する各アクセントの話者、頻出する専門用語、同時発話がある場合はその箇所を含めます。正解文を音声の横に用意し、句読点だけでなく重要な意味も評価します。
誤りの傾向を見極める
| 傾向 | 確認する領域 | 最初の比較 |
|---|---|---|
| 間の前後で語句が消える | 音声区間検出または区間境界 | 緩いしきい値または長い文脈 |
| 一定の低音で誤りが増える | 音源ノイズとマイク距離 | 原音と軽くノイズ除去した音 |
| 一人だけ誤りが多い | モデルの網羅性、音量、距離、重なり | 同じ話者を候補モデル間で比較 |
| 名前の表記が一定しない | 専門語彙と修正作業 | 用語集と一括確認 |
| 二人の声が一文になる | 同時発話とダイアライゼーション | 話者分割と手動再生 |
発話を損なわずにノイズへ対処する
多くの場合、収録時の改善が最も有効です。マイクを話者へ近づけ、パソコンのファンや机の振動を避け、室内の反響を減らし、リモート音声が開いたマイクへ戻らないようにします。既存ファイルでは処理前に最も明瞭なトラックを選びます。
- 一定のノイズ：軽いノイズ除去はファンや空調に役立つ場合があります。子音の弱まりや金属的な音に注意します。
- 変化するノイズ：キー入力、音楽、交通音、別の声は、発話を損なわずに除くことが難しく、手動確認が欠かせません。
- 音量不足：音量を上げるとノイズも増えます。音割れを避け、無条件に音量をそろえず結果を比較します。
- ステレオの問題：片方に反響や重複音声がある場合は、原本を残して明瞭なチャンネルやモノラル変換を試します。
- 同時発話：同じ瞬間に重なったすべての語句を、前処理で確実に復元することはできません。
比較ごとに同じ箇所をテストモードで使います。現在の前処理と分割設定はファイル文字起こしのドキュメントをご覧ください。
実際の発話でアクセントを評価する
アクセントは取り除くべき欠陥ではありません。モデルごとに言語や発話パターンの網羅性が異なり、話者ごとにマイク、部屋、速度、語彙も異なるため、認識結果に差が出ます。モデル選択には実際の話者の音声を使い、別人の整ったサンプルだけで判断しないでください。
可能なら長めの言語的文脈を保ちます。極端に短い区間では、発音を判断する周辺語が失われます。話者が意図した表現を消したり、意味を変えたりする「修正」は避けます。必要に応じて、その言葉の使われ方を理解する人と名前や重要発言を確認してください。
用語修正の循環を作る
- 想定用語を集める。議題、参加者一覧、製品一覧、略語、固有名から絞った用語集を作ります。
- よくある誤認識を記録する。考えられる誤りを推測せず、最初の結果で実際に認識された形を記録します。
- 完全一致の置換を慎重に使う。短い文字列は無関係な語の一部にも現れます。一括処理前に一致箇所を確認します。
- 再利用するルールを保存する。安定した修正を辞書へ加え、案件固有の語は適切に限定します。
- 文脈で確認する。置換後の表記が正しくても、その文には別の用語が適切な場合があります。
モデルと分割を組み合わせて試す
モデルの結果は言語、アクセント、音響、用語によって異なります。使用言語に対応するモデルだけを固定サンプルで比べ、ダウンロード容量だけで品質を判断しないでください。境界も試します。文脈が多いと認識に役立つ一方、小さな区間は読みやすく話者へ割り当てやすくなります。
話者分割は会議を整理できますが、認識誤りを解決せず、同時発話では信頼性が下がります。人数が分かる場合は指定すると分類を絞れます。正しい文が別人へ割り当てられないよう、本文とは別に話者分割を確認します。
管理された確認項目を使う
- 各比較の原音と設定を保存する。
- 一度に一項目だけ変更し、同じ評価箇所を使う。
- 名前、数値、否定、日付、決定事項、作業項目を再生音と照合する。
- 辞書ルールの適用後、頻出する誤った形を検索する。
- 聞き取れない未解決箇所は、語句を作らずその旨を記録する。
よくある質問
ノイズ除去を行うと必ず文字起こしが改善しますか？
いいえ。ノイズ除去で一定の背景音が目立たなくなることはありますが、強すぎる処理は発話の細部を消したり、不自然な音を生じさせたりします。録音全体を処理する前に、代表的なサンプルを原音と比較してください。
カスタム辞書を使えば、すべての専門用語を認識できますか？
いいえ。辞書は認識後の修正や置換を一貫させる用途で最も確実に役立ちます。認識そのものへの効果は製品とモデルによって異なります。聞き取れない用語や別の声と重なった用語を復元することはできません。
アクセント自体が録音上の問題なのですか？
いいえ。アクセントは自然な話し方の一つです。モデルがその話し方を十分に網羅していない場合や、ノイズ、距離、速さ、文脈不足と重なった場合に誤りが生じます。実際の話者でモデルを試し、敬意をもって見直してください。
一つの難しいサンプルで設定を比較する
実際の話者、ノイズ、用語を含む箇所を選び、変更ごとに未加工の録音と比較します。