次世代メディア処理AIを活用　音声認識ソフトウェアの新バージョンを販売開始

■背景
　近年、デジタルトランスフォーメーション（DX）の浸透や働き方改革により、官公庁やコンタクトセンターをはじめとする企業などにおいて、音声認識ソフトウェアのニーズが高まっています。このような中、NTTテクノクロスでは、50年以上にもおよぶNTT研究所の音声研究の成果や最新技術を活用し、音声認識ソフトウェア「SpeechRec」を2012年より展開しています。今回、NTT コンピュータ＆データサイエンス研究所が開発した次世代メディア処理AI「MediaGnosis™」*1を「SpeechRec Server」に活用し、より高精度で多機能な音声認識を実現しました。

■特長
（１）人間の脳と同じような音声情報処理により高精度にテキスト化
　「SpeechRec Server」新バージョンでは「MediaGnosis™」を活用した音声情報処理として「End-to-End」方式*2を採用しました。これまで一部の音声情報処理のみに適用していたディープニューラルネットワーク（以下、DNN）*3をすべてに適用し、音声データ入力からテキスト出力までをオールインワンで実現しています。人間の脳と同じように、音声から日本語を理解するスムーズな処理が可能になり、音声認識精度がさらに向上しました。

（２）話し言葉を読みやすく変換し、内容を分類
　「MediaGnosis™」により、相づちや「えー」「あのー」などのつなぎ言葉に加え、「私なんかは」などの話し言葉特有の表現を認識し、話の意味を理解しやすいようなテキストに変換します。また、テキスト化された情報を内容ごとに分類して表示することも可能です。従来の音声認識ソフトウェアは、音声認識結果の変換と分類にそれぞれ専用のソフトウェアが必要でしたが、「SpeechRec Server」新バージョンではオールインワンで処理を実現します。システムの複雑化やコスト低減につながるとともに、新たなテキスト処理のニーズが出てきた場合には、システム構成を変えずに対応することができます。

（３）音声の特徴から話者を識別（話者ダイアリゼーション機能）
　複数の話者が話す場合、話者を識別するために話者の音声を事前登録したり、話者ごとにマイクを分けたりする必要がなく、話者の声質や波形などの特徴から「MediaGnosis™」が自動で話者を識別します。

■価格
　実際の利用環境などにより構成や価格が変わるため、詳細はお問い合わせください。