NTTテクノクロスがFSVMの新バージョンを発表、次世代メディア処理AIとの連携で音声認識精度が大幅向上

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）

PR TIMES より

記事の要約

NTTテクノクロスがFSVMの新バージョンを発表
次世代メディア処理AIとの連携で音声認識精度向上
お客様側の音声認識率が最大9％向上

NTTテクノクロスが音声認識精度を向上させたFSVMの新バージョンを発表

NTTテクノクロス株式会社は、コールセンターAIプロダクト「ForeSight Voice Mining（FSVM）」の新バージョンを2024年8月30日から提供開始する。この新バージョンでは、NTTの研究所が開発した次世代メディア処理AIを連携させることで、従来よりも少ないデータ量で精度向上が可能になった。End-to-End音声認識技術により、高精度な音声認識を実現している。^[1]

FSVMの新バージョンでは、お客様側の発話内容の音声認識率が最大9％向上し、話し言葉やくだけた表現もさらに認識できるようになった。これにより、コールセンターにおける問い合わせ業務の生産性向上が期待できる。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するEnd-to-End音声認識技術の導入が、この精度向上の鍵となっている。

NTTテクノクロスは、今後の展開として認識テキストと次世代メディア処理AIから得られる感情情報を組み合わせた通話情報の見える化や、認識テキストと生成AIを組み合わせたより高度な機能の提供を計画している。これらの機能強化により、コールセンターの業務効率化やCX（顧客体験）向上に貢献することを目指している。

FSVMの新バージョンの特徴まとめ

項目	詳細
提供開始日	2024年8月30日
主な特徴	次世代メディア処理AIとの連携
音声認識精度	お客様側の発話内容の認識率が最大9％向上
技術的特徴	End-to-End音声認識技術の導入
期待される効果	問い合わせ業務の生産性向上
今後の展開	通話情報の見える化、高度な機能の提供

End-to-End音声認識技術について

End-to-End音声認識技術とは、音声データを直接テキストに変換する手法のことを指しており、主な特徴として以下のような点が挙げられる。

音声からテキストへの変換をディープニューラルネットワークで一括処理
音響モデル・認識辞書・言語モデルを組み合わせた方式よりも高精度
シンプルな構成で効率的な音声認識を実現

FSVMの新バージョンでは、このEnd-to-End音声認識技術を採用することで、従来よりも少ないデータ量で精度向上を実現している。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処理できる特性により、コールセンターにおける複雑な話し言葉やくだけた表現の認識精度が大幅に向上した。

FSVMの新バージョンに関する考察

FSVMの新バージョンによる音声認識精度の向上は、コールセンター業務の効率化と顧客満足度の向上に大きく貢献する可能性がある。特に、お客様側の発話内容の認識率が最大9％向上したことは、問い合わせ内容の正確な把握や適切な対応につながり、サービス品質の向上に直結するだろう。一方で、高精度な音声認識により得られた詳細な顧客情報の取り扱いには、プライバシー保護の観点から十分な注意が必要となる。

今後の課題として、多言語対応や方言、背景ノイズがある環境下での認識精度の更なる向上が挙げられる。これらの課題に対しては、AIモデルの継続的な学習と改良、さらには音声クリーニング技術の統合などが有効な解決策となるだろう。また、リアルタイムでの感情分析や要約生成など、音声認識以外の機能の強化も期待される。

長期的には、FSVMがコールセンター業務の自動化や効率化だけでなく、顧客との対話から得られる膨大なデータを活用したビジネスインサイトの抽出にも貢献することが期待される。音声認識技術と他のAI技術を組み合わせることで、カスタマージャーニー全体を最適化し、企業の競争力強化につながる可能性がある。

参考サイト

^ PR TIMES. 「コールセンターAIプロダクト「ForeSight Voice Mining」次世代メディア処理AIとの連携により、音声認識精度のさらなる向上を実現 | NTTテクノクロス株式会社のプレスリリース」. https://prtimes.jp/main/html/rd/p/000000039.000123990.html, (参照 24-08-31).

※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。