スマートスピーカーの音声認識は4つの処理手順のどこに当たるか
ITパスポート試験 令和6年度 問78 ／ 基礎理論 › 情報に関する理論
過去問にチャレンジ
利用者がスマートスピーカーに向けて話し掛けた内容に対して、スマートスピーカーから音声で応答するための処理手順が（1）～（4）のとおりであるとき、音声認識に該当する処理はどれか。 （1）利用者の音声をテキストデータに変換する。 （2）テキストデータを解析して、その意味を理解する。 （3） 応答する内容を決定して、テキストデータを生成する。 （4）生成したテキストデータを読み上げる。
- ア
(1)
- イ
(2)
- ウ
(3)
- エ
(4)
会話形式の解説
講師今回は、スマートスピーカーが話し掛けに声で応答するまでの4つの処理のうち、どれが「音声認識」に当たるかを考えます。それぞれの処理が何を受け取って何を出力するのか、つまり入力と出力に注目してください。
受験者「認識」と聞くと、話した内容を理解することのように思えます。テキストを解析して意味を理解する(2)も当てはまりそうで、迷っています。
講師「認識」という語からは意味の理解を連想しやすいですね。ただ、音声認識は、人が発した音声を入力として受け取り、テキストデータに変換して出力する処理です。担当するのは文字への変換までです。
受験者そうすると、入力が音声で出力がテキストになっている処理を探せばよいのですね。それは(1)の、利用者の音声をテキストデータに変換する処理だけです。
講師そのとおりです。(1)が音声認識の定義にそのまま当てはまるので、正解は(1)です。では(2)の、テキストを解析して意味を理解する処理はどう考えますか。
受験者(2)は入力がもうテキストになっているので、音声を文字にする処理ではありません。意味を理解する別の処理ということですね。
講師はい。(2)は自然言語処理のうちの意味理解で、自然言語理解とも呼ばれます。自然言語処理とは、人が日常で使う言葉をコンピュータで扱う技術のことです。(3)の、応答内容を決めて返答のテキストを作る処理は、応答生成（自然言語生成）に当たります。
受験者(4)の読み上げは音声が関係するので、これも音声認識の仲間かと思いましたが、どう違うのですか。
講師(4)はテキストを入力として音声を出力する処理で、音声合成と呼ばれます。音声から文字を作る音声認識とは、入力と出力の向きが逆になっています。
受験者全体の流れは、音声認識、意味理解、応答生成、音声合成の順に進むのですね。「音声」が付いているかどうかではなく、変換の向きで区別するようにします。
講師よい整理です。英語では音声認識をSpeech-to-Text、音声合成をText-to-Speech（TTS）と呼ぶので、名前を思い出せば向きを確実に判断できます。
まとめ
スマートスピーカーの4つの処理手順のうち、音声認識に当たるのは「利用者の音声をテキストデータに変換する」処理です。音声認識は音声を入力として受け取り、テキストを出力する処理で、担当するのは文字への変換までです。テキストを解析して意味を理解する処理は意味理解（自然言語理解）、返答のテキストを作る処理は応答生成（自然言語生成）に当たります。テキストを読み上げる処理は音声合成で、音声認識とは入力と出力の向きが逆です。音声認識はSpeech-to-Text、音声合成はText-to-Speechと覚えると、向きで区別できます。
解答・解説
正解はアです
この問題のテーマ
スマートスピーカーが話し掛けに音声で応答するまでの処理の流れのうち、どの段階が「音声認識」に当たるかを問う問題です。音声認識・意味理解・応答生成・音声合成の違いを区別できるかが問われています。
解き方の考え方
それぞれの処理について、何を入力して何を出力するかに注目します。音声認識は、人の声を入力として受け取り、テキストデータを出力する処理です。(1)〜(4)のうち、入力が音声で出力がテキストになっているものを探せば、答えは一つに絞れます。
選択肢ごとの解説
- ○ア (1)アの(1)は、利用者の音声をテキストデータに変換する処理です。音声を解析して文字に変換するという音声認識の定義にそのまま当てはまるので、これが正解です。
- ×イ (2)イの(2)は、テキストデータを解析して意味を理解する処理です。これは自然言語処理のうちの意味理解（自然言語理解）に当たります。入力はすでにテキストになっていて、音声を文字にする処理ではありません。
- ×ウ (3)ウの(3)は、応答内容を決めて返答のテキストを作る処理です。これは応答生成（自然言語生成）に当たります。音声認識は文字への変換までを担う処理で、返答を作るのは後続の別の処理です。
- ×エ (4)エの(4)は、生成したテキストデータを読み上げる処理で、音声合成に当たります。(4)は音声を作る側の処理です。音声を入力としてテキストを出力する音声認識とは、入力と出力の向きが逆になっています。
補足
用語として「音声」が付く処理は音声認識と音声合成の2つで、音声認識は音声からテキストへ、音声合成はテキストから音声への変換です。どちらがどちらかは、入力と出力の向きで判断すると確実です。英語では、音声認識はSpeech-to-Text、音声合成はText-to-Speech（TTS）と呼ばれ、この名前からも向きの違いが分かります。
POINT
- 音声認識は、人が発した音声をテキストデータに変換する処理です。
- 音声認識が担うのは文字への変換までで、意味の理解や返答の作成は別の処理です。
- スマートスピーカーの処理は、音声認識、意味理解、応答生成、音声合成の順に進みます。
- 音声合成はテキストを音声に変換する処理で、音声認識とは入力と出力が逆になります。