# 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。

公開日: 2026-10-10
Source: https://voicast.jp/blog/japanese-speech-recognition-tips

## 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](https://www.twilio.com/docs/voice/media-streams/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](https://voicast.jp/blog/confirm-by-reading-back) 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](https://voicast.jp/blog/speech-recognition-vocabulary-hints) 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。
