ブログ · · 約 6 分で読めます

電話の日本語の音声認識:名前・数字・業界の用語でつまずく理由と対策

電話の日本語の音声認識は、同じ読みで漢字が違う名前、いちとしちのように似た音の数字、日付の特別な読み、業界の用語でつまずきます。電話の音声の性質、間違えやすい言葉の一覧、語彙のヒント・読み上げ確認・数字の正規化による具体的な対策を説明します。

要点

  • 電話の日本語の音声認識がつまずくのは、主に名前(同じ読みで漢字が違う)・数字(いちとしち、しとよんなど似た音や読み方の揺れ)・業界の用語(一般の言葉に聞き間違える)の 3 つです。
  • 認識の精度だけで解決しようとせず、語彙のヒントを渡す・聞き取った内容を読み上げて確かめる・数字を正規化して桁数を確かめる、を組み合わせます。
  • 名前は漢字を当てるより読みで受け取り、漢字は人があとで確かめる、と決めておくと取り違えが減ります。

電話の日本語の音声認識でつまずきやすいのは、名前・数字・業界の用語の 3 つです。名前は同じ読みに漢字がいくつもあり、数字は「いち」と「しち」のように似た音や読み方の揺れがあり、業界の用語は一般の言葉に聞き間違えられます。認識の精度を上げるだけでは解決しないので、語彙のヒント、読み上げての確認、数字の正規化を組み合わせて、間違いを会話の中で直せるようにします。

電話の音声が聞き取りにくい理由

電話の音声は、スマートフォンのマイクで直接録った音より情報が少なくなっています。たとえば Twilio の Media Streams が送る音声は、いつも 8,000 Hz の μ-law です(WebSocket messages)。音の細かい違いが削られるので、「し」と「ち」、「ひ」と「し」のような子音の違いが聞き分けにくくなります。

ほかにも、電話には次のような条件が重なります。

  • 外や車の中からの電話で、周りの音が入る
  • 携帯の電波が弱く、音が途切れる
  • 相手が受話器から口を離して話す
  • 「えーと」「あのー」などの言いよどみが多い

音声認識のモデルの性能だけでなく、間違いが起きる前提で会話を組み立てることが大事です。

名前でつまずく理由

名前でつまずくのは、同じ読みに漢字がいくつもあるからです。音声認識は音から文字を選ぶので、「さいとう」を「斉藤」「斎藤」「齋藤」のどれにするかは、音だけでは決められません。

読み 書き方の例
さいとう 斉藤・斎藤・齋藤・西東
わたなべ 渡辺・渡部・渡邊・渡邉
かとう 加藤・加東
ゆうこ 優子・裕子・祐子・夕子

対策は、漢字を当てることをあきらめ、読みで受け取ることです。予約や折り返しの用途なら、カタカナの読みと電話番号がそろっていれば十分に足ります。漢字が必要な用途(書類の宛名など)は、人があとで確かめるか、Web のフォームで入れてもらいます。

聞き取った名前を読み上げて確かめるときも、漢字ではなく読みで確かめます。「サイトウ様でよろしいでしょうか」と聞けば、相手は「はい」か「いいえ、サイドウです」と直せます。

数字でつまずく理由

数字は、似た音と読み方の揺れの両方でつまずきます。

数字 読み方 間違えやすい相手
0 ゼロ・レイ・マル 「マル」が言葉として認識される
1 イチ 7 の「シチ」
2 ニ・ニー 助詞の「に」
4 ヨン・シ 7 の「シチ」の始まり
7 ナナ・シチ 1 の「イチ」
9 キュウ・ク 「く」が言葉の一部として認識される

電話番号では、さらに区切りの「の」(「ゼロサンの…」)や、ハイフンの読み方が混ざります。日付には「ついたち(1 日)」「ふつか(2 日)」「はつか(20 日)」のような特別な読みがあり、「4 月(しがつ)」と「7 月(しちがつ)」も聞き間違えやすい組み合わせです。

対策は 3 つです。

  1. 数字に正規化する: 全角の数字・漢数字・区切りを、半角の数字だけに直してから扱います。
  2. 桁数で確かめる: 日本の電話番号は 0 から始まる 10 桁(固定電話)か 11 桁(携帯電話・050 など)です。合わなければ聞き直します。
  3. 区切って読み上げる: 「ゼロキューゼロ、イチニーサンヨン、ゴーロクナナハチ」のように 3 つに区切って読み上げ、相手に確かめてもらいます。

次は、認識の結果から電話番号を取り出して確かめる例です。

python
import re
import unicodedata

KANJI_DIGITS = str.maketrans("〇零一二三四五六七八九", "00123456789")

def normalize_jp_phone(text: str) -> str | None:
    """認識の結果から日本の電話番号を取り出す。形が合わなければ None(聞き直す)"""
    s = unicodedata.normalize("NFKC", text)        # 全角の数字・記号を半角に
    s = s.translate(KANJI_DIGITS)                  # 漢数字を数字に
    digits = re.sub(r"\D", "", s)                 # 「の」・ハイフン・空白などの区切りを消す
    if digits.startswith("0") and len(digits) in (10, 11):
        return digits
    return None

assert normalize_jp_phone("〇九〇の一二三四の五六七八") == "09012345678"
assert normalize_jp_phone("03-1234-567") is None  # 9 桁なので聞き直す

日付は「明日」「来週の火曜日」のような言い方も多いので、今日の日付と曜日を指示文に入れておき、具体的な日付に直してから読み上げて確かめます。読み上げ確認の流れは 聞き取った内容の読み上げ確認 で詳しく扱います。

業界の用語でつまずく理由

業界の用語は、音声認識が学んできた一般の文章にあまり出てこないので、音の近い一般の言葉に置き換えられがちです。歯科の「根管治療」、不動産の「内見」、整備の「車検」のような言葉が、別の言葉になって届きます。

対策は、使われそうな用語を語彙のヒントとして渡すことです。多くの音声認識の API には、特定の語を認識されやすくする仕組みがあります。ヒントは多ければよいわけではなく、その業種で本当に電話に出てくる言葉に絞ります。店名・商品名・地名なども入れておくと効きます。語彙のヒントの選び方は 音声認識の語彙のヒント で扱います。

間違いを会話の中で直す設計

認識の間違いをゼロにすることはできません。大事なのは、間違いに気づいて、その場で直せることです。

  • 名前・電話番号・日時は、聞き取ったら必ず読み上げて確かめる
  • 意味の通らない言葉を推測で補わず、そのまま聞き返す
  • 数字は形(桁数・範囲)を確かめ、合わなければ聞き直す
  • 何度聞き直しても取れないときは、人に引き継ぐか、折り返しにする

最後の点は、同じ質問を何度も繰り返されると相手がいら立つためです。聞き直しの回数に上限を決めておきます。

voicast での聞き取りの工夫

voicast のエージェント設定では、業種(domain)と用語(vocabulary)を音声認識のヒントとして渡すことができます。聞き取る項目の種類を phone にすると、電話番号は数字だけに直して、0 から始まる 10〜11 桁の日本の番号かを確かめ、違えば聞き直します。聞き取った内容は読み上げて確認し、相手が言い直せばその場で直します。

json
{
  "domain": "歯科医院",
  "vocabulary": ["根管治療", "インプラント", "ホワイトニング", "定期検診", "さくら歯科"],
  "fields": [
    { "key": "name", "label": "お名前(カタカナの読み)", "required": true },
    { "key": "phone", "label": "折り返しの電話番号", "required": true, "type": "phone" }
  ]
}

よくある質問

音声認識のモデルを替えれば、名前の漢字は正しくなりますか。

なりません。同じ読みに漢字がいくつもあるのは音の問題ではないので、どのモデルでも音だけでは決められません。読みで受け取り、漢字が必要なら人があとで確かめる方が確実です。

電話番号を聞き間違えたら、どう気づけばよいですか。

数字だけに直して桁数を確かめると、多くの聞き落としに気づけます。日本の番号は 0 から始まる 10 桁か 11 桁です。そのうえで、3 つに区切って読み上げ、相手に確かめてもらいます。

語彙のヒントには何を入れればよいですか。

その業種の電話で実際に出てくる用語、店名・商品名・地名などの固有名詞を入れます。電話に出てこない言葉まで入れると、ほかの言葉がその用語に引き寄せられることがあるので、数を絞ります。

関連記事