音声入力

01/2/17

音声入力は使いものになる

　マイクに向かってものを言う。それがそのまま、日本語に変換されて、パソコンの入力となる。そんなことができるとは聞いていた。でも、たいしてものになっていないだろう、と思っていた。それがどうして、もう十分に実用になる。これは、パソコン技術の革命だな、と感心した。そのことを報告したい。論より証拠、この記事は全部、音声入力で書いている。もちろん、手書きの修正・編集は入っているが。

　このためのプログラム（ソフト）は、日本語音声認識ソフト、とか、ディクテーションソフトとかいわれる。私の使ったのは、「ドラゴンスピーチ５」という、もともとアメリカで開発されたソフトである。ほかにも IBM 社の ViaVoice などいろいろある。

　「ドラゴンスピーチ」を、三つのコンピューターで試してみた。その結果、コンピューターの性能によって、ずいぶん差があることが分かった。ここで性能には、二つの要素が関係している。一つはＣＰＵのクロックの早さ（ペンティアムⅡで、266MHz程度か、ペンティアムⅢで、600MHzか、など）と、メモリーをどれだけ増設しているかの二点が効くようだ。

　最初は携帯用パソコンで始めた。音声記録関係をすべてこのパソコンでやっていたからだ。その経験では、まだまだだな、という印象を受けた。ところが、性能のいいパソコンでやってみて、驚いた。しゃべる端から、正確にテキストに変換されていくではないか。これは使いものになる、と認識を改めた。その次第を、順次報告する。

　以下は、性能の劣る携帯パソコンで、音声入力し、書いてみたものである。

　この文章は、音声認識ソフトを使って書いてみている。マイクに向かって話すと、それをソフトがゆっくり文章に変換していく。だいぶ遅い。変換間違いもある。しかしそれにかまわず、どんどんしゃべってみる。本番の前に、トレーニング（あとで説明）をしたせいか、わりと変換の精度は高いようだ。ところどころに間違いの変換は残っているけれども、それを気にせずにどんどんしゃべっていくと、それを追いかけるように、次々に変換していく。これは使えそうだな、というのが、まずはの印象である。

　ここまでしゃべって、ソフトが変換したものの間違いをみると、音声認識のミスはそれほど多くはない。一行あたり一箇所ぐらいだろうか。それより、しゃべったものがそのままでは文章にならないゆえの、訂正をする必要がある。結構難しい言葉を、きちんと変換できているのには感心する。ところどころに「A」という文字が入るのは、「えー」という意味のない発音が、アルファベットのAとみなされていることだろう。

　やってみての問題の一つは、変換に時間がかかることである。ひとしきり喋ると、それをコンピューターは、ゆっくり追いかけながら変換していく。まあ１、２分しゃべって、一休みしていると、それを全部変換し終わるのに５分ぐらいかかるというような感じだろうか（性能のよくないコンピューターのせいだとあとで分かる）。

　これはコンピューターの性能のせいだろう。私が今使っているパソコンは、このソフトが要求するCPU性能の、最低ぎりぎりのものである。実際に266MHz以上のクロックで働くCPUが、推奨されている。私の携帯パソコンは266MHzである。それではきついようだ。現在では、８００MHz程度が普通になりつつあり、最新のものでは１GHzとか、1.5GHzというようなパソコンもでてきているようだから、その程度のものを使えば、ほとんど喋ると同時に変換が進むのではないか。

　そこで、もっと性能のいいパソコンで試してみた。ペンティアムⅢで、クロックは600MHzのものである。で、その結果わかったのは、CPUの能力によって、変換の速度がずいぶん違うということである。遅いコンピューターでは、音声認識変換は即時的に行われるというよりは、しゃべったものがコンピューターに録音されて、それをずいぶん後追いで変換していくというような具合になる。音声認識とははそんなものかと思った。ところが性能のいいコンピューターでやってみるとまったく違う。ほとんど遅れなしに、しゃべる端から、たちどころに変換が行われていく。変換の精度も高い。

　すばやく変換が行われ、普通の話すスピードでどんどん変換されていくとなると、ごく自然に喋ることになる。それがいっそう変換の精度を向上させるようだ。この変換ソフトは、一語一語を認識するのではなく、言葉のつながりを、いわば流れとして認識するようにできている。それによって変換を判断する。だから、切れ切れの音声より、よどみない一塊りの発語のほうが認識の精度は上がるのである。

　また、変換した結果に誤りがあれば、そこで中断して、訂正をその場でしたほうがいい。それも、すべて音声のコマンドで行うことができる。この訂正作業は、変換精度を上げるのに重要で、訂正をまめに行うことによって、プログラムは、音声と言葉との対応を学習していくわけである。それによって変換の精度がますます上がることになる。

　最初、性能のよくないコンピューターで、この音声認識のプログラムの可能性について感じた印象を、性能のよいコンピューターを用いての経験からすっかり改めることになった。この音声認識は実にすばらしい。これならキーボート入力に自信のある人でも、音声入力を試してみる価値がある。私の経験では、この音声入力ソフトを使った方が、入力は十分早いし、楽だ。入力のスタイルも変わるだろう。考えながら、入力することからすると、キーボード入力という機械的なことよりも、思考する人間にふさわしい入力方法になるかもしれない。

　音声認識ソフトは、どんな場合に役に立つのだろうか。まず、パソコンの入力をキーバボードで十分な速さでできる人にとっては、格別このようなソフトは必要ないだろう。しかし、それでも、自分の考えをまとめながら、マイクに向かって気楽にしゃべってみて、それがとりあえずのドラフトとしてテキスト化されるのは役に立つ。入力のスタイルとして、そういうこともありうるだろう。コンピューターの前にしっかり座ってキーボードを叩くよりは、いい場合もあろう。

　キーボードをたたくのが苦手な人にとっては、このソフトは福音である。パソコンに対するバリヤーを低くしてくれる。音声入力の変換ミスがあるので、それを修正する際、声だけの修正作業でほとんどいけるが、時にはキーボード入力を必要とする。

　私の考えではこのソフトが、最も役に立つのは音声で入力する場面と、コンピューターへ入力する場面とが、切り離されている場合である。メモリースティック付きICレコーダーで通勤の途上とか、散歩の途中とか、あるいは新幹線のなかで、吹き込んでおいて、それを後になっ、てパソコンの上でテキストにする。それを可能にすることが、私の場合の最終目的である。

　パソコンの性能について、もう一つ調べてみた。ＣＰＵはさほど早くない。300MHzのPentiumⅡである。ただしメモリーは256MBまで増設してある。これで、十分に使える。どうやら、ＣＰＵの早さもさることながら、メモリーが効くようである。音声のボキャブラリーを持っていて、入力と比較しながら変換していく。そのボキャブラリーなどのデータがメモリー上に展開できていると早いようだ。メモリーが少ないと、しきりにＨＤを読みに行き、それがスピードを遅くする。

　もう一つトレーニングのことを書いておこう。このソフトは、まずユーザーの音声認識から始める。人によってしゃべる音声の大きさ、高さはもとより、細かくいえば声紋が違う。標準テキストをしゃべらせることにより、ユーザーの特徴をつかみ、それを基礎的なデータとして登録する。

　そのつぎに、基本トレーニングをすることを奨めている。これは、コンピューターの画面上に表示される例文を読んでいく、そこで、でてくる用語や助詞をどのように発音するかのデータが、積み重ねられる。これは繰り返しやればやるほどよいとされている。さらに、実際音声入力をやりながら、それが変換違いがあれば、それを直していく。これでソフトが学習していく。そうすることで変換の精度が上がっていく。説明書によると、学習が完成の域に達するには、数ヶ月もかかるらしい。そこまで行くと、自分の声を完全に聞き分ける優秀な速記者を持つことになる。楽しみではないか。

　印象をまとめてみよう。このドラゴンスピーチというソフトは、早いコンピューターと組み合わせるとき、今や十分に使い物になる。その変換の速度精度ともに誠に素晴らしい。

　このホームページの「パソコン関連メモ」の項目に「音声記録の奨め」を書いたのは、昨年の８月のことだった。その中で、ボイスレコーダーによる音声記録が､やがて自動的にテキストに変換される期待について書いておいた。

　そこでは、ソニーのメモリースティックICレコーダーを使って、通勤の途上、車を運転しながら、日々の記録や、思いついたことなどを音声記録をしていることを書いた。その際、これを音声ファイルとして、パソコンに保存しておくが、いずれその音声記録を、テキストファイルに変換してくれるソフトが開発されれば、音声ファイルが普通のテキストファイルとなって、利用できるだろう、早くそんなことが可能にならないか､と書いた。

　その夢が、すでに実現しているのだということを、最近になって知った。私が使っているICレコーダーは、そこまでの機能があるとはマニュアルに書いてなかったが､その後発売されている新型では､上に紹介した音声認識ソフト「ドラゴンスピーチ」との連携が可能になっている。古い私の機器も、音声ファイル管理ソフトの新しい版を、ソニーのＨＰから無料でダウンロードでき、そうすると音声認識ソフトと連携できる。

　これはいいぞ、と早速音声認識ソフトを入手して試してみた。一気に録音したものの音声認識に行く前に、まず直接コンピューターに話しかけることによって、どの程度の変換が可能かを試してみた。これが上に書いたことである。ICレコーダーとの連携のことはいずれ報告しよう。