話した言葉を文字にするAIで、何ができる？

声を文字にする方法は、大きく3つ

話した言葉を文字にする技術は、音声認識や文字起こしと呼ばれます。仕事で使うときは、いつ文字にするかで次の3つに分けて考えると、合う道具を選びやすくなります。

書く時間がとれない場面で使うアイデア

次は、当社が考えた使い方の例です。導入事例ではありません。どれも、文字になった内容を担当者が読んで直してから残す前提です。

聞き違いは、どんな形で起きるか

OpenAI社が公開している音声認識AI「Whisper」の説明書（モデルカード）は、制限として次の点を挙げています。どの音声認識でも同じとは限りませんが、起きうる誤りの形を知っておくと、読み直すときの目の付けどころが分かります。

一つめは、音声の中で実際には話されていない文字が出てくることがある点です。説明書は、言葉の知識をもとに次の言葉を予測しようとすることが原因と考えられる、と書いています。二つめは、同じ言葉を繰り返して出力しやすい点です。三つめは、言語によって精度に差があり、同じ言語の中でも、なまりや方言によって誤りが増えることがある点です。

実際の使い方では、数字・日付・人名・商品名を重点的に確かめます。言い間違いや聞き違いがあっても、文章としては自然に読めてしまうことがあるため、元の音声と照らし合わせる時間を決めておきます。

専門用語や自社の商品名が多い場合は、言葉を登録できる道具もあります。Appleの開発者向け資料には、アプリを作る側が特定の分野の語彙を追加できるしくみが載っています。使うサービスに同じ機能があるかは、それぞれの説明で確かめてください。

録音する前に決めておくこと

Whisperの説明書は、本人の同意なく録音した会話を文字にする使い方に注意を促し、精度の不足が結果に大きく影響する判断の場面での利用も勧めないとしています。打ち合わせや電話を録音するときは、録音して文字にすることを最初に相手へ伝えます。

録音や文字起こしの結果を外部のサービスに送る場合は、お客さんの名前や連絡先が含まれることがあります。社内で使ってよいサービスと、入力しない情報を決めておきます。決め方は社員が生成AIを使い始めたら、何を決めておく？で紹介しています。

文字にした記録をどこに保存し、元の録音をいつ消すかも、あらかじめ決めておくと迷いません。

今日できる最初の一歩

毎日書いている短い記録を1つ選びます。日報、作業メモ、仕込みのメモなど、数行で済むものが向いています。1週間だけ、それをスマホの音声入力で書いてみて、直した箇所と、かかった時間をメモしておきます。

書く手間より直す手間の方が小さければ、声で残す方法が合っている作業です。直す箇所がいつも同じ言葉なら、その言葉を登録できる道具を探すか、言い方を変えて試します。1週間という期間は当社の目安で、効果を判断するための基準ではありません。

録音した打ち合わせを自社の書式の議事録にまとめたい、文字起こしを業務のシステムにつなげたい、といった段階になったら、作業の流れに合わせて組み立てる方法もあります。

AIの種類の違いは機械学習と生成AIは何が違う？で、写真を使う例は写真を見て判断するAIで、何ができる？で紹介しています。