ITパスポート 2020年 秋期 問22

音声認識と自然言語処理の両方が利用されているシステムの事例【ITパスポート 解説】

正解の理由

解法ステップ

1. 用語を確認する
   • 音声認識（speech recognition / STT）＝「話し言葉を文字に変える」技術。
   • 自然言語処理（NLP）＝「文字や話し言葉の意味を理解・解析・生成する」技術。
2. 各選択肢で「音声を文字にする処理」と「その文字を理解して処理する処理」が両方あるかをチェックする。
3. 両方あるものを選ぶ。上の確認で該当するのが イ であるため、それが答え。

選択肢別の誤答解説

• ア: ドアをノックする音を検知して、カメラで顔認識してロック解除
  • 「ノックの音を検知する」は音の発生を検出するだけ（音響イベント検出）。言葉を文字に変えて理解する「音声認識」ではありません。さらに画像処理（顔認識）が使われていますが、NLPも使われていません。よって条件を満たさない。
• イ: 人から話しかけられた天気や交通情報などの質問を解釈して、ふさわしい内容を回答する
  • 人の音声を認識して文字化する（音声認識）→ 文字を解析して意味を理解し適切な応答を作る（NLP）。両方が明確に使われています。
  • たとえばスマートスピーカーの「今日の天気は？」への応答はこの流れです。
• ウ: 野外コンサートで来場者の姿や話し声を検知して、入場人数を記録する
  • 来場者の姿の検出は画像認識、話し声の検出は音声の有無・音量検出などであり、会話内容を文字にして理解する「音声認識」や「NLP」は通常使いません。目的が「人数カウント」なので両技術は不要です。
• エ: 洋書の英文をカメラで読み取り、要約された日本文として編集する
  • カメラで英文を読み取る部分はOCR（光学式文字認識。英語: Optical Character Recognition）という「画像→文字」の技術（画像認識の一種）。その後の要約や翻訳はNLPに該当します。ここでは「音声認識（話し言葉を文字にする）」は使われていないため、設問の条件（音声認識とNLPの両方利用）を満たしません。

よくある誤解

1. 「音を検知する＝音声認識」ではない
   • ノック音や叫び声の有無を検出するのは「音響イベント検出」であり、会話内容を文字化する「音声認識」とは別の技術です。
2. OCR（カメラで文字を読む）は音声認識と同じではない
   • OCRは画像から文字を取り出す。音声認識は音から文字を取り出す。どちらも「文字化」ですが、入力が違います。
3. 「会話がある場面＝必ずNLPが使われる」と考えない
   • 会場で人が話している音を拾っているだけならNLPは不要です。実際に「言葉の意味を解析して応答する」場合にNLPが使われます。

補足コラム

1. マイクで音声入力 → 2. 音声認識（STT）で文字化 → 3. 自然言語処理（意図解析・情報検索・応答生成） → 4. 必要なら音声合成（TTS）で音声出力
   実例：スマートスピーカー（Alexa、Siri、Googleアシスタント）は上の流れを基本に動いています。
   用語メモ：

• ASR（Automatic Speech Recognition）＝自動音声認識（音声→文字）
• TTS（Text‑to‑Speech）＝音声合成（文字→音声）
• OCR（Optical Character Recognition）＝画像から文字を取り出す技術

FAQ