音声認識（ASR）

音声認識（ASR。Automatic Speech Recognition）は、人が話した音声を文字に変える技術です。Speech-to-Text とも呼びます。会議の記録、動画の字幕の作成、通話の内容の分析などに使います。

処理のしかたには、話している途中で結果を返すリアルタイムの書き起こしと、録音済みの音声をまとめて処理するバッチの書き起こしがあります。話者ごとに発言を分ける処理（話者分離）や、専門用語の一覧を渡して精度を上げる機能を持つサービスもあります。

OpenAI は、2022年9月21日に音声認識のモデル Whisper を公開しました。論文は、Web から集めた 68万時間の、多言語で複数の課題にわたる音声と書き起こしで学習したと報告しています。

読み

おんせいにんしき

正式な名前

Automatic Speech Recognition

業界

製造業、小売・流通、医療・福祉、建設、金融・保険、教育機関

業務

研修と教育、動画、AI 活用

出典の確認日

2026年10月7日

「気になる」に追加用語集の一覧へ

関係する用語

• 音声合成（TTS）：音声合成（TTS。Text-to-Speech）は、文章を、人が話すような音声に変える技術です。文章の読み上げ、音声での案内、対…
• マルチモーダル AI：マルチモーダル AI は、文章、画像、音声、動画など、種類の違う複数の情報（モダリティ）を合わせて扱う AI です。たとえば、画…
• 生成 AI：生成 AI は、文章、画像、プログラムなどを新しく作り出す AI の総称です。日本の「AI 事業者ガイドライン」（第1.2版）と…

このサイトの関連するページ

• 動画の字幕は、何を用意しますか。WebVTT、SRT と、WCAG の達成基準

出典

• Microsoft Learn: Speech to text overview - Speech service（2026年7月13日更新）（別のタブで開きます）
• Radford ほか「Robust Speech Recognition via Large-Scale Weak Supervision」（arXiv:2212.04356、2022年12月6日）（別のタブで開きます）
• OpenAI: Introducing Whisper（2022年9月21日）（別のタブで開きます）