Lesskeys用語集A〜Z 順
音声入力・文字起こしの用語集
要点
音声関連のソフトウェアには専門用語が多く、ベンダーによって意味が違うものもあります。このページでは、各用語がここでどういう意味かを説明します。
このサイトで特定の意味、またはあまり一般的でない意味で使っている言葉と、その意味です。
A
- ASR（自動音声認識）
- 音声をテキストに変換するソフトウェアの総称です。Whisper もその 1 つです。ふつうは「音声テキスト変換」も同じ意味で使われます。
D
- 音声入力
- キーボードで打つかわりに話して、いま使っているアプリにそのまま言葉が入ることです。リアルタイムで短いのが特徴です。すでにある録音をあとからテキストにする文字起こしとは対照的です。
H
- ホットキー
- 特定のアプリの中だけでなく、どこでも使えるキーの組み合わせです。Lesskeys では音声入力の開始と停止に使うので、話すためにウィンドウを切り替える必要はありません。
O
- オンデバイス
- 処理が、目の前のコンピュータ上で行われ、企業のサーバーでは行われないことです。Lesskeys の場合、録音、音声認識モデル、できあがったテキストのすべてがお使いのコンピュータの中にとどまります。これは処理がどこで行われるかについての説明なので、確かめることもできます。ネットワークを切っても動きます。
S
- 話者分離
- 複数の声が入った録音で、誰がいつ話したかを割り出すことです。文字起こしとは別の作業で、文字起こしは「何と言ったか」、話者分離は「誰が言ったか」を調べます。この 2 つを組み合わせて、各行に名前が付いた文字起こしができます。
- システムオーディオ
- コンピュータが再生している音のことで、マイクが拾う音とは別です。システムオーディオとマイクを一緒に録音すれば、会議に何も参加させなくても、通話の両側を録音できます。
T
- 文字起こし
- すでにある録音（通話、インタビュー、動画）を文字にすることです。音声入力と違ってあとから行い、たいていは複数の話者が含まれます。
V
- 声紋
- 特定の声がどう聞こえるかを保存した要約で、別の録音でも同じ人を見分けるために使います。Lesskeys は声紋をお使いのコンピュータにだけ保存します。
W
- WER（単語誤り率）
- 精度の測り方です。システムが間違えた単語（置き換え、脱落、挿入）が、実際に話された単語に占める割合をパーセントで表します。低いほど良く、WER 2.5% なら約 40 語に 1 語が誤りです。
- Whisper
- 一般的なハードウェア（Mac や Windows PC を含む）で動くオープンな音声認識モデルのシリーズです。複数のサイズがあり、大きければ必ず良いわけではありません。私たちのベンチマークで測定した結果です。
すぐにわかる答え
オンデバイスとは、具体的にどういう意味ですか？
処理が企業のサーバーではなく、お使いのコンピュータ上で行われることです。確かめ方は簡単で、ネットワークを切ってみてください。それでも動けば、オンデバイスです。
音声入力と文字起こしは同じですか？
いいえ。音声入力はリアルタイムで、話すと入力中の場所に言葉が現れます。文字起こしは、すでにある録音をテキストにするもので、たいていは複数の話者が含まれます。
良い単語誤り率はどのくらいですか？
音声の状態によるため、数字 1 つだけで判断すると誤解のもとです。クリアな音声では、現在の最良のモデルで 2〜3% 前後、つまり約 40 語に 1 語が誤りです。話者の発言が重なる、強い訛りがある、響きの悪い部屋といった音声は、どのシステムにとってもはるかに難しくなります。