ITパスポート 2024年 問78

スマートスピーカーの処理手順で「音声認識」はどれか【ITパスポート 解説】

正解の理由

解法ステップ

1. 問題文を短く整理する：各処理（1）〜（4）が何をしているかを一言で書き出す。
   • （1）音声→テキスト
   • （2）テキストの意味を理解する
   • （3）応答テキストを作る
   • （4）テキスト→音声で読み上げる
2. 「音声認識」の定義を思い出す：音声を文字に変換する処理であることを確認する（＝ASR）。
3. 各処理と定義を照合する：（1）が一致するので選ぶ。

選択肢別の誤答解説

• ア: （1）利用者の音声をテキストデータに変換する。
  → 正解。これは音声認識（Speech-to-Text / ASR）そのものです。
• イ: （2）テキストデータを解析して、その意味を理解する。
  → 誤り。これは NLU（Natural Language Understanding：自然言語理解）にあたります。音声認識で得た文字列から「利用者の意図（例：天気を知りたい）」を読み取る処理です。
• ウ: （3）応答する内容を決定して、テキストデータを生成する。
  → 誤り。これは応答生成、あるいは NLG（Natural Language Generation：自然言語生成）に該当します。システム側が何を返すかを決める段階です。
• エ: （4）生成したテキストデータを読み上げる。
  → 誤り。これは音声合成（Text-to-Speech：TTS）です。テキストを音声にする処理で、音声認識の逆に相当します。

よくある誤解

1. 「音声認識」と「音声合成」を混同する
   • 音声認識は「声→文字」。音声合成は「文字→声」。流れが逆なので混同しやすいですが、目的が全く違います。
2. 「意味を理解する処理までが音声認識だ」と考える誤り
   • 音声認識はあくまで文字変換まで。意味解釈は別の技術（NLU）です。
3. 「認識＝正しく文字化される」と思い込むこと
   • 雑音やアクセントで誤認識が起きるため、文字化は必ずしも正確ではありません。

補足コラム

• ウェイクワード検出（例：「ねえ、〜」）→ 音声認識（ASR）→ 自然言語理解（NLU）→ 応答決定・生成（NLG）→ 音声合成（TTS）で返す。
  それぞれ役割がはっきり分かれているため、ある段階だけが問題になることが多いです。
  ASR の精度は音声の質、雑音、マイク性能、発話者のアクセントや言語モデル（よく使う言葉の予測）などで変わります。

FAQ