AI

エーアイ

公開：2024-12-19

mocomoco株式会社が音声認識AI「mocoVoice API」に話者分離機能を追加、高速な書き起こしと多言語対応で議事録作成の効率化を実現

text: XEXEQ編集部
（記事は執筆時の情報に基づいており、現在では異なる場合があります）

記事の要約

• mocoVoice APIに話者分離機能を追加
• 複数人の会話を個別話者ごとに書き起こし可能に
• 処理速度は1時間の音声を3分で実行

mocoVoice APIの話者分離機能で音声認識の精度が向上

mocomoco株式会社は高性能音声認識AI「mocoVoice API」に話者分離機能を2024年12月16日に追加した。OpenAI Whisperをベースに開発された音声認識エンジンに独自の辞書アルゴリズムと高速化技術を組み合わせることで、複数人での会話や会議の音声データを個別の話者ごとに分離して書き起こすことが可能になっている。^[1]

この新機能は、グループディスカッションの議事録作成や取引先とのミーティング記録、複数のスピーカーが登壇するイベントにおける書き起こしなど、幅広い用途での活用が期待されている。話者分離機能が追加された後も、1時間の音声を最速3分で書き起こせる高速な処理速度を維持することに成功したのだ。

また、日本語と英語が混在する会話でも高精度な話者分離が行えるマルチリンガル対応も特徴となっている。ChatGPTによる自動校正機能により、認識したテキストは文法的に正確で読みやすい文章に整形され、各言語の特性に応じた適切な校正処理が実施されるだろう。

mocoVoice APIの機能まとめ

mocoVoice APIの料金プランはこちら

話者分離について

話者分離とは、複数の人物が発話している音声データから各話者の音声を個別に識別・分離する技術のことを指す。主な特徴として、以下のような点が挙げられる。

• 音声の特徴から個別の話者を識別
• 話者ごとに音声を分離して個別の文字起こしが可能
• 会議やイベントの議事録作成を効率化

mocoVoice APIの話者分離機能は、OpenAI Whisperの高精度な音声認識技術と独自の辞書アルゴリズムを組み合わせることで実現している。従来の書き起こしでは話者が特定されないために作業負担が増大していたが、話者分離機能によってコミュニケーションの正確性と効率性が大幅に向上するのだ。

mocoVoice APIの話者分離機能追加に関する考察

mocoVoice APIへの話者分離機能の追加は、音声認識技術の実用性を大きく向上させる重要な進展である。特に複数人が参加するビジネスミーティングやイベントにおいて、発言者の特定が自動化されることで議事録作成の効率が飛躍的に向上することが期待できるだろう。一方で、話者の声が似ている場合や環境ノイズが多い場合の識別精度には課題が残る可能性もある。

今後は音声認識の精度向上だけでなく、話者の感情分析や発言の意図理解など、より高度な機能の追加も期待される。特に医療現場や法廷、教育機関など、正確な議事録作成が必要不可欠な分野での活用が進むことで、業務効率化や情報共有の質的向上につながるだろう。

また、マルチリンガル対応の強化により、グローバルビジネスでの活用も期待できる。日本語と英語のコードスイッチングに対応していることから、国際会議や多言語環境での利用価値は非常に高いと言えるだろう。今後はさらなる言語対応の拡大や、より自然な多言語処理の実現が望まれる。

参考サイト

1. ^ PR TIMES. 「mocomoco、音声認識AI「mocoVoice API」に話者分離機能を追加！ | mocomoco株式会社のプレスリリース」. https://prtimes.jp/main/html/rd/p/000000003.000146901.html, (参照 24-12-19).

※上記コンテンツはAIで確認しておりますが、間違い等ある場合はコメントよりご連絡いただけますと幸いです。

「AI」に関するコラム一覧「AI」に関するニュース一覧