音声認識・音声合成
Speech Recognition / Synthesis (STT/TTS)
音声認識とは?
- 音声認識(STT)+音声合成(TTS)
- 言葉を文字に、文字を言葉に
- AIアシスタント・字幕・コールセンターの「耳」「口」
音声データは以前から蓄積されていましたが、検索できない資産でした。コールセンターの録音がサーバーに数万件あっても、QA担当者が耳で聞けるのはオペレーター一人あたり月に二、三件がせいぜいで、会議の録音は終わったら誰も開き直しませんでした。STTを入れると、この音声はすべて検索可能なテキストに変わります。'返金'という言葉が出た通話だけを抽出したり、特定の製品名が言及された会議の区間へすぐ移動したりできるようになります。音声AIの本当の効果は文字起こしそのものではなく、音声がデータベースの中に入ってくるという点にあります。
STTは録音ファイルをまとめて処理するバッチ方式と、話している途中で書き起こすストリーミング方式に分かれます。議事録・顧客対応の分析はバッチで十分ですが、リアルタイム通訳やオペレーターの画面支援は応答遅延が0.3秒を超えると現場では使いにくくなります。精度は通常、単語誤り率(WER)で測りますが、一般的な会話は5%前後まで下がってきたものの、業界の専門用語・製品名・人名はカスタム語彙辞書に別途登録しないと認識されません。誰が話したかを分ける話者分離はSTTとは別の機能なので個別にオンにする必要があり、テキストから要約や感情分類を抽出するのは後段のLLMの役割です。STTは「耳」であって「頭脳」ではない、という区別を理解しておくと、見積もりと期待値が合います。
現場で最も頻繁に崩れるのは「精度95%」という数字です。その5%の誤りは助詞や接続詞に均等に散らばるのではなく、金額・数量・固有名詞に集中します。「15万ウォン(約1.8万円)」が「50万ウォン(約6万円)」になったり、薬品名の一文字が別の薬として書き起こされたりすると、議事録も相談履歴もそのまま危険な文書になります。時間外の静かな会議室と、雑音・方言・話の重なりが入り混じった実際の通話とでは条件がまったく違います。録音をテキスト化した時点で個人情報の取り扱い範囲が広がるため、顧客と社員の双方への事前告知が必要です。また、TTSで声を複製する際に、声優や役職員の書面による同意なしに使えば、肖像権・なりすましの問題がすぐに起こります。
数十年にわたり研究されてきた分野で、2010年代のディープラーニング適用により精度が飛躍的に向上し、最近は大規模モデルによって自然さと多言語処理が大きく進歩しました。
仮想の事例で見てみましょう。医療機器と健康機能食品を流通させるA社は、役職員240名、インバウンド相談員35名規模です。月間の通話は1万2千件ですが、QAが実際に聴くのは相談員ひとりあたり3件ずつ、合計105件だけでした。返品紛争が起きるたびに録音ファイルを探して聴くのに半日を費やしており、3カ月の音声AI導入課題が立てられました。
- CSチーム長が録音300件を試験的なSTTにかけてみたところ、自社製品名「リプリノール」が「イプリノール」と書き起こされました。「数字や製品名が間違っていたら、QAには使えません」という言葉が最初の会議で出ました。
- 品質管理チームが製品名・保険用語・競合社名420件をカスタム語彙辞書に登録し、2週間後の再測定では製品名の誤認識率が18%から4%に下がりました。
- 運営チーム長はオペレーター35名に"通話は自動でテキスト化されますが、個人評価ではなく応対改善のためのものです"と事前に告知し、ARSの冒頭に録音・分析の案内音声を入れました。
- 話者分離をオンにしてオペレーターと顧客の発話を分けたうえで、顧客が"それで返金はできるんですか?"と尋ねた時点から回答までの無音区間を自動集計し、応答遅延のある通話210件を抽出しました。
- TTSは配送照会・営業時間の案内にだけ使い、クレームや返金の通話は人が受けるように残しました。CS本部長が「怒っているお客さまに機械の声をつけると、さらに怒らせます」と線を引きました。
- 3か月後、QAの聴取対象は月105件から全数1万2千件に増え、通話後の処理時間は1件あたり平均4分20秒から1分50秒に減りました。
金鍾赫
キム・ソンイル