Skip to main content

音声技術

音声認識（音声のテキスト化）STT

別名： 自動音声認識 · ASR · 音声認識（voice recognition）

音声認識（STT）は、自動音声認識（ASR）とも呼ばれ、話し言葉の音声をテキストに書き起こします。音声エージェントにおいてSTTは最初のステップであり、発信者が話すそばから、その発話を言語モデルが処理できるテキストに変換します。

リアルタイムのSTTは、アクセント、背景雑音、混線、言語間のコードスイッチングに対応しなければなりません。その精度と速度が会話全体の上限を決めます。エージェントが聞き間違えれば、その後の処理はすべて誤りになります。

製品で見る

The Finn platform

関連用語

自動音声認識音声をテキストに変換する技術の正式名称。ASRと音声認識（STT）は同じものを指します。音声合成（テキスト読み上げ）書かれたテキストを自然な音声に変換する技術。TTSは、AI音声エージェントに声を与えるものです。自然言語理解自然言語から、字面だけでなく相手の意味——意図と重要な詳細——を読み解くAIの領域。エンドポインティング（発話終了検出）発信者が話し終えた時点を検出し、エージェントが応答する番だと分かるようにすること。エンドポインティングが不十分だと、不自然な間や割り込みが生じます。

音声認識（音声のテキスト化）を実際の通話で見る。

30分のデモを予約して、Finnがインバウンドとアウトバウンドの通話を最初から最後まで処理する様子をご覧ください——組み立てるべきスタックは不要です。

デモを予約 プラットフォームを見る