今は…７月です。半年も経っています。廿に解答例を作る時間がなかなかできないため、原田が起こし例を作りました。

 起こし方のパターン

 
１）できるだけしゃべりに忠実に再現する
２）「えっと」「あのー」などの無意味語（←ケバという）を削除して起こす
３）整理して要約する

それぞれの仕様をクリックすると、起こし例のぺージが開きます。

１）は原田が「この」というケバ（＝無意味語）をたびたび発言しており、文章にすると読みにくいのですが、ツアーガイドなどしゃべりを職業とする人が言いよどみや言葉使いをチェックするときなどに使われます。

２）はケバをすべて取りました。１）の起こし方では840文字、２）では720文字で、ケバを取ると85.7％の文字量になっています。「～って」などの話し言葉や「思ってる」などのい抜き言葉はそのままです。ケバは不要でも話者の口調や雰囲気をそのまま残すインタビューなどで使われます。話し言葉やい抜き・ら抜き言葉などを整えると、もっと読みやすい文章になります。

３）では、重複している内容を削除し、ポイントごとに整理しています。すると原田がどんな手帳を使っているか、手帳を選ぶポイントが何かが一目で分かります。箇条書きにしてさらに見やすく整理する方法もあります。

３）のように要約をする起こし方をすると、３分の音声の内容を10秒で見返すことができます。ビジネスシーンで、会議の内容などを簡潔にまとめて保存しておきたい場合には３）の起こし方が効率的です。

それにしても、自分の発言のケバの多さにがっかりです。ICレコーダーで録音される側にはまだまだ慣れません…。

文●原田文恵（はらだあやめ）

志村さん：「音声認識メール」を使うときは、皆さんうまく認識させようと意識しながらていねいにしゃべります。ところが、会議では、音声認識させようと思ってしゃべる方はほとんどいらっしゃいません。安い価格で普通の会議も全部文字化できないかという要望はよくいただくのですが、まだまだ難しいというのが現状です。

◆人間に難しいものはソフトウエアにも難しい
議長の指名を受けて整然と発言する議会などの音声認識でさえ、システム一式で500万円～という価格帯になり、しかも音声認識後の修正・編集作業が欠かせない。
まして普通のディスカッションなどは、人数が多いのにマイクを使わなかったり、複数の人が同時にしゃべり出したりするので、ソフトウエアに認識させるのは議会よりいっそう難しい。

つまり、テープ起こしの仕事で起こしにくいと感じる音声は、ソフトウエアにとっても認識しにくい。そのため、志村さんも「この議事録作成支援システムがあるからといって、速記者やテープ起こしの方がいなくなるということはないと思います」と断言されていた。

　　１　　２　　３　　次ページへ

連載第１回へ　　　連載第２回へ　　　連載第３回へ

◆機材につきっきりで操作する必要はない

――議事録作成支援システムは、具体的に何を納入するのですか。

志村さん：マイクシステムを通して発言をパソコンで文字化しますので、会議を行う部屋にマイクがない場合は、マイクなど音響設備一式も含めて納入します。それと、音声認識を行うソフトウエアAmiVoice Recorderと編集用ソフトウエアAmiVoice Rewriterが入っているパソコンです。

（実際の導入例。機材一式を収めたこのラックを会議を行う部屋に置き、マイクをつなぐ）

志村さん：マイクの音を、コンプレッサーとミキサーを通して、このノートパソコンに取り込みます。ノートパソコンへは普通のUSB接続になります。
ミキサーに誰かが会議中ずっと付いているという必要はありません。マイクのオン・オフは発言者ご自身にやっていただくことになります。もしくはオートマチックミキサーといって、発言があったマイクの音だけが検知できるような設備を使っていただく形になります。

　　１　　２　　３　　次ページへ

連載第１回へ　　　連載第２回へ　　　連載第４回へ

アドバンスト・メディア社の議事録作成支援システムを最初に導入したのは、静岡県沼津市議会だった（2004年）。その沼津市議会の音声を例に実演してもらった。

議事録作成支援システムは、まずAmiVoice Recorderというソフトで音声を認識させ、文字化する。その文字化のデータを、AmiVoice Rewriterというソフトで編集する。

（画面は左の欄から順に、話者名、開始タイムカウンタ、認識結果、編集結果。クリックで拡大）

全体にいい認識率だが、なんと議長の最初の発話「おはようございます」を正しく認識していないなど、意外な落ちもある。

◆不明瞭な発音は判断しきれない

途中に「観光立国性格」という文字化がある。話者の発音が「せいかく」に近いのでムリもない。発音がよどんだり微妙にずれたりすることは、実際にはよくある。こういうところは、人間が「観光立国政策」と手で修正することになる。

志村さん：音声認識で100パーセント正しい文字にできるわけではなく、音声認識誤りを編集する作業は必要になります。それでも、ゼロから音声を入力して起こすより効率的に文字化できます。
この編集ソフトAmiVoice Rewriterは、発話単位、つまり息継ぎをした単位に区切って文章が出力されます。人が聞きやすい単位に区切ることによって、修正がしやすい仕組みになっています。カーソルの位置と音声が連動していて、変だなと思った部分の文字をクリックすると、該当個所の音声が再生されます。その音声を聞いて実は何と言っているか確認し、文字を修正するわけです。

　　１　　２　　次ページへ

連載第１回へ　　　連載第３回へ　　　連載第４回へ

そこで、音声認識技術について現状を取材するべく、株式会社アドバンスト・メディアにお邪魔した。

株式会社アドバンスト・メディア

◆105円から500万円の差は何に由来するのか

同社はソフトウエアメーカーでもあるし、システムを企業や大学、地方自治体などに納入する会社でもある。下記の製品・システムは、いずれも音声認識技術「AmiVoice」を活用している。

株式会社アドバンスト・メディアの主な製品・システム
・議事録作成支援システム
・医療現場向けの音声入力システム（現在10種類）
・コールセンター、営業支援などそれぞれの現場に特化した音声認識システム
・パソコン用音声認識ソフトウエア「AmiVoice Es 2008」
・iPhone向け「音声認識メール」
など

このうち、最初の「議事録作成支援システム」の価格は一式約500万円～、パソコン用「AmiVoice Es 2008」は実売２万円弱、iPhone向け「音声認識メール」は105円（無料版もある）。

500万円から105円までのこの価格差は、いったい何によるのだろうか。

◆“こっこうほう”という部署がなかったらどうするか

アドバンスト・メディアの受付は、来訪者の声を音声認識するシステムになっている。音声案内に従い、受話器に向かって自分の会社名と名前を言い、次に相手の部署名や名前を言う。緊張してこんな言い方になってしまった。

「こっこうほうの、あー、あくづさん」

言ってから「あくつ」さんだったと思い出したけど、３名の候補がタッチパネルに表示された。広報の阿久津夢さんは一番上に表示されていたので、それに触れる。

もし完全に私の発音どおりに音声認識して答えるとすれば、「“こっこうほう”という部署はございません」「“あくづ”という者はおりません」と表示するのが正しいかもしれない。音声認識技術とは、人間のこんな不完全な発話音声を相手にする技術だ。間投詞「あー」や言いよどみなどいわゆる無意味語だらけの発声。間違った名前の読み。しかしそんな音声でも候補を３名に絞り、しかも正解が一番上に表示されているのが素晴らしい。

　　１　　２　　３　　　次ページへ

連載第２回へ　　　連載第３回へ　　　連載第４回へ

　鳩山首相のブログ「鳩cafe」に、「記者会見のオープン化について」という記事が掲載されています。こういうホールでは、どのようにICレコーダーをセッティングしたらいいのでしょうか。
http://hatocafe.kantei.go.jp/2010/03/20100328.html
　ブログの写真を見ると、記者は自分の席で録音していることがわかります。いくつかICレコーダーが写っています。
　会場のセッティングを見てみましょう。鳩山首相の声はマイクを通しており、スピーカーは左右前方にあるようです。この会場なら人間の耳には音響上の問題はなく、どこに座ってもよく聞こえると思います。

　しかし、ICレコーダーは、「内蔵マイクに近い音をより強く拾う」のです。鳩山さんの声よりも、隣の席の記者がパソコンを打っている音を、ICレコーダーは強く拾ってしまうかもしれません。もしあとでテープ起こしをするなら、録音に最強な位置に座る必要があります。
※企業の新製品発表の記者会見などは、例えば雑誌が数ページにわたって記事を書く場合、テープ起こししたほうが確実です。雑誌からの依頼で記者会見や新製品発表セミナーを起こすことは、私もよくあります。

【広い会場で・マイクを通した声を・座席から録音する場合のセッティング】
・スピーカーにできるだけ近い席に座る。
・ICレコーダーのマイク指向性を「NARROW」などにして、マイクをスピーカーに向ける。

　これによって、スピーカーの方向から来る音をメインに拾い、隣の席のタイピング音などは小さくなるはずです。

　一方、主催者から依頼されて録音する場合は、音響機器からダイレクトに録音することができます。会場の雑音が入らずクリアに録音できます。
　鳩山会見のホールでは、後ろの上のほうに音響ルームがありそうですね。内閣府ホームページにアップするような正式な音声は、そちらで録音しているはずです。

【広い会場で・マイクを通した声を・ラインから録音する場合のセッティング】
・音響担当者に機材への接続を依頼する。

　ホールや大会議室へ録音に行ったら、会場の音響担当者を探します。
「主催者の依頼でテープ起こしを担当する者ですけど、ラインから音をいただけますか」
　こういう言い方で通じます。音響さんは、機器から出ているコードをICレコーダーにつないでくれるので、あとは録音ボタンを押すだけです。この場合も、予備の録音機材で自分の席から録音しておきます。

【広い会場で・マイクを通さない声を録音する場合のセッティング】
　そこそこ大きい会議室での講演などでも、マイクを使わないことがあります。この場合はとにかくレコーダーを話者に近づけること。
方法１・演台の上にICレコーダーを置かせてもらう
方法２・講師のジャケットのポケットにICレコーダーを入れてもらい、襟元にピンマイクをはさんでもらう

　最初は演台の前で立ってしゃべるが、途中でスクリーンの前へ移動し、スライドを示しながらしゃべる…などというケースでは、方法２が最強です。
　この場合、必ずピンマイクを使うこと。ピンマイクなしでポケット内から録音すると、「近いものを強く拾う」という特性のせいで、講師が身動きするたびポケットの衣ずれが「ザザザーッ！」と意外な大音響で入ってしまい、声が聞こえません。

※講師が女性の場合、ジャケットにはICレコーダーが入るほど大きなポケットがありません。オリンパスのDS-750などは、ベルトにはさむ金具が付いているので、これをスカートに装着してもらうとか。嫌がられそうですけど…。

オリンパス　Voice-Trek DS-750のカバー裏面。

ボイススピリッツ社「Voice Writing」の最上位バージョンであるEnterprise Editionには、音声自動文字化機能があります。これはWindows Vistaと7対応なので、XPユーザーである私はまだ試していません。
（Enterprise Edition自体はXPでも動きます。その中の音声自動文字化機能がXPに対応してないという意味です。試用版をお借りしてから気づいたという…）

その他、録音された音声の文字化に関連する情報。

もじもじTV
「音声認識エンジン」を搭載し、動画の中で話されている言葉を自動でテキスト化
http://mojimoji.tv/login.php
（せっかくここの「アカウント抽選」なるものに当選したんですが（昨年10月）、その後仕事が忙しくてまだ試してなくて...）

「ユーチューブ」の動画に自動で字幕　米グーグルが技術開発
http://it.nikkei.co.jp/internet/news/index.aspx?n=AS2M2101V%2021112009&landing=Next

音声ファイルの中のしゃべりを文字化するのでなく、その場で発話した言葉を文字化するソフトはいくつかあります。ツイッターで検索したら、「TweetMeの音声認識」でつぶやいている人も結構いますね。

2010/3/11朝　ツイッターで「音声認識」を検索し、ヒットした製品名等の一部。
URLは、ヒットしたワードについて私が勝手に作成した参考ページです。

大語彙連続音声認識エンジン Julius
http://julius.sourceforge.jp/

TweetMeの音声認識
音声認識AmiVoiceを搭載したTwitterクライアント
http://www.flight.co.jp/iPhone/TweetMe/

Googleの音声認識機能
http://plusd.itmedia.co.jp/mobile/articles/0912/07/news089.html

NHK技研が内部開発している日本語音声認識
http://www.nhk.or.jp/strl/vision/vision02/03_03.html

音声認識Mail
http://iphone.amivoice.com/iPhone/ASRMailb/

検索サイトからokosoに来るとき、どんな言葉で検索してたどりついているかを見ると、こんな一群がある。

「音声文字化ソフト」「音声を文字に変換するソフト」「ICレコーダー 文字化」「会話を文字化するソフト」「自動音声テキスト変換機能」「ICレコーダー 文字変換ソフト」「ICレコーダー 自動 変換」「自動音声 テキスト化 導入」

録音したままの音声では一覧性・検索性が低いことに、多くの人が気づいている。なんとか文字化、文書化したいと思っている。そのための情報を探しに来てくれているのだ。一字一句入力するのはあまりに重労働。21世紀なのだから何か自動化ソフトがあるだろうと。

しかし残念ながら、音声認識ソフトはほとんどの場合まだ実用的とは言えない。少なくとも、講演や会議などの自然なしゃべりを文字化する技術は、十分とは言えない。
Wikipediaの「音声認識」の項にも、「音声認識システムの研究開発にはコンピュータが普及しだした1970年代から21世紀初頭の現在まで、長年にわたって莫大な資金と優秀な人材が投入されてきたが、成功して普及したものはほとんどなく」とあって、本当にため息状態なのだ。

従来、一般ユーザー向きに発売されていたのは、ViaVoiceとドラゴンスピーチ（正式名称 Dragon NaturallySpeaking）だった。
このうち、ViaVoiceは2005年以降は新しいバージョンが発売されず、結局2009年8月に生産終了となった。ドラゴンスピーチはまだ市販されているけど、こちらも最新（？）バージョンは2005年のもの。
どんどん売れればさらに開発に資金が投入されて、さらに高性能な新バージョンが発売されるというのがPCソフトの世界だから、音声認識ソフトがいかに苦戦しているかが分かる。

今一番頑張っている音声認識ソフトはAmiVoiceだと思う。それでも、「AmiVoice Es 2008」の「ICレコーダーによる音声ファイル文字化の使用条件」によると、
口元とマイクの距離が5cm以内で録音した音声で、かつ、はっきりとした音声であることが条件となります。
複数の会議および講演会などで、マイクの距離が遠い場合"AmiVoice Es 2008"で文字起こしすることができません。

というわけで、録音した音声そのものを自動で文字化するには、かなり制限がある。「録音した音声を聞きながら、ヘッドセットマイクなどに向かって復唱する」という方法での音声認識なら可能だという。
（その２に続く）

【講演などの場合】
１）録音して記録を作成することに関して、事前に講演者の了解を取っておく

講演など話者が基本的に１名の場合、事前の準備は大がかりではない。これに対して、会議や座談会など話者が多い場合は作業が多いので、早めに会場入りしよう。

【会議や座談会などの場合】
１）出席者の各座席にネームプレートを置く
２）記録者席に座席表を置く
３）司会者に出席者への注意を依頼する
４）記録席に時計を置く

一つひとつ見ていこう。

１）出席者の各座席にネームプレートを置く

　自立するプラスチックタイプがあれば一番だが、なければコピー用紙を四つ折りして左右からクリップではさめば出来上がり。エアコンの風に直撃されると動いてしまうので、大きくて重いタイプのクリップを使うこと。

　縦型のネームプレートの方が場所を取らないが、エアコンの真下で実験したら、クリップ２個の重みがあっても倒れてしまった。縦型を使う場合はコピー用紙ではなく厚紙などで作ろう。

　会議や座談会では、声が大きく態度が積極的な人がたくさん発言してしまい、控えめな人がしゃべれなくなることがある。そんなとき、縦型のネームプレートを活用するという進行方法がある。
　ネームプレートを寝かせてセットしておき、「意見や質問のある人はプレートを立てて合図する」というルールで会議を進行させるのだ。自分の前のプレートを立てるだけだから控えめな人にとって楽な意思表示だし、座長にとっても指名しやすい。

２）記録者席に座席表を置く
出席者の席が決まったら、記録者は座席表を書いて自分の席に置く。
・同じ姓の出席者がいたら発言記録を取るときの表記を決めておく。「田中１」「田中２」など。
・漢字の正しい表記を確認しておく。いわぶちさんは「岩淵」か「岩渕」かなど。
・漢字の読み方を確認しておく。茂木さんは「もてぎ」か「もぎ」かなど。

　「参加者が特に多い」「会議室が広く遠い席のネームプレートが読めない」「一つひとつの発言が短く、名前で記録していたら間に合わない」などの場合は、座席表に番号を振って、その番号で記録する。

３）司会者に出席者への注意を依頼する
　3-1 司会者が「××さん」と指名してから発言すること
　3-2 二人以上が同時に発言しないこと（3-1が守られれば不要な注意のはずだが…）
　3-3 途中で席を移動しないこと
　3-4 録音機材にさわらないこと

　以上４点を出席者に伝えてもらう。3-1と3-2は、文字起こし用の注意。誰の発言か分からなかったり、二人以上が同時にしゃべっていたりすると、起こしにくい。
　3-3は、座席表と実際の席が違うと発言記録を間違える危険があるため。
　3-4は、次のようなトラブルを防ぐため。
・「これに録音してるの？」と手に持った人が、うっかり機材を落としてしまう。
・知らずに録音停止ボタンに触っていて、それ以降が録音されない。
・ICレコーダーの向きが変わってしまい、ステレオ録音で右から聞こえていた人の声が途中で左から聞こえて、起こす際に混乱する。

４）記録者席に時計を置く
　会議では、開始時刻・終了時刻の記録は必須だ。録音中もときどき時計を見て、発言者メモに現在時刻を書いておくと、特定の発言を後で音声から探すときなどに便利。

● 国語力：句読点、段落替え、同音異義語

録音されたしゃべり言葉は単なる音であって、句読点も段落替えも付いてない。どこに「、」を打つか、どこで段落替えするかは、小学校以来の国語力が物を言う。
同音異義語も、間違えると目立つ。どんな漢字を当てはめるかは、起こす人の知識次第。

次の文章には６カ所の漢字の間違いがある。見つけてみよう。こんな文章を発表したら、その組織全体の能力が疑われてしまう。

上々会社の責任は重いのです。内部統制に関する精度も加わり、従業員が不正を侵すリスクなど、さまざまなリスクに適格に対応しなければなりません。また、監査法人がいかに適性に鑑査をしているかも問われています。

「えっ、漢字の間違いなんて見つからない」という人は、起こしはちょっと無理かも。録音の方を担当しよう。たちどころに６カ所全部を指摘できた人は、チェッカーになれる。メンバーから上がってきたデータを校正して仕上げる係だ。その中間の人が起こしを担当しよう。

チェック！
みんなで漢検２級の問題集をやってみよう。漢字の使い分けをよく知っている人は？

● タイピング力：正確さと速さ

音声１時間を「えっと」「あのー」などのケバを取って文字化すると、通常１万6000～２万字にもなる（要約して起こすなど文書化のパターンはいくつかあるが）。
誤入力だらけでは誰も読まない。タイピングが遅いと本人が残業続きになってしまう。正確さと速さを両立できる人がテープ起こしに向いている。

チェック！
みんなで自社ホームページの「社長挨拶」を入力してみよう。誤字がなくしかも入力が速い人は？

国語力とタイピング力は、その組織における経験年数を問わない。新人や派遣社員などに素晴らしい適性を示す人がいるかもしれない。