音声認識AI - 声をテキストに変える

あんずさん、今日の主役は君ね。
ふふ。
まさに今日のテーマ——STT?
(Speech-to-Text)、またはASR?
(Automatic Speech Recognition、自動音声認識)よ。

それが大正解。
2022年に OpenAI が発表した Whisper は音声認識に革命を起こしたの。
ゆきさん、技術的な補足お願いできる?

Whisper は99言語に対応、日本語も精度が高くて、しかもノイズに強い。
さらにオープンソースだから、自分のサーバで動かせるのが実務的に大きな利点よ。
会議音声や医療の問診音声など、クラウドに送れない機密情報を扱える。
API 経由だとデータが外部に出るから、機密情報系では自社サーバ運用が重宝されているわ。

あらあら、あんずさん、サークルの合間に生産性上げてるじゃない。
ふふ、優秀。

そう、まさにあんずさんの指摘通り。
ChatGPT の音声モードや Siri/Alexa の本体が、この3段 pipeline をリアルタイムで回してるのよ。
最近は GPT-4o のように3段を1モデルで統合する流れもあるわ。

試験では「STT=音声→テキスト」「Whisper の存在」「99言語対応」を覚えておいて。
STT+LLM+TTS の3段構成も応用問題で問われやすいわ。