音声インテリジェンス

誰が、どの話題について、どんな温度で話したのか。音声インテリジェンスは、文字起こしの先にある会話の流れそのものを、知識として引ける形に整えます。

Why It Matters

文字起こしだけでは、会話は使えない

音声認識の精度は、この数年で大きく向上しました。68万時間の多言語音声で学習したWhisper（Radford et al., 2022）のように、さまざまな環境で頑健に動くモデルも公開されています。それでも、文字起こしの結果を業務で使おうとすると、次の壁に当たります。

How It Works

音声インテリジェンスは、次の処理を一続きのパイプラインとして実行し、通話や会議を「検索できる単位」に分解します。

文字起こしと、音声インテリジェンスの違い（概念図）

文脈を踏まえた文字起こし：長い会話の文脈を保持したまま音声を文字にし、生成AIで同音異義語や専門用語の誤りを補正します。フィラー（「えー」「あのー」）も整理します。
話者分離：「誰が、いつ話したか」を推定し、発話ごとに話者を割り当てます。話者分離は音声処理の中でも研究の進んだ分野で、深層学習によって大きく進歩しています（Park et al., 2022）。
話題の切り替わりの検出：固定の文字数ではなく、話題や意味のまとまりで会話を区切ります。
要約と要点の抽出：話題ごとに要約し、決定事項、アクションアイテム、担当者、期限などを取り出します。
感情の推定：言葉の内容と、声の調子などの音響的な手がかりを組み合わせて、発話の感情を推定します。会話の感情認識では、テキストだけでなく音声などの複数の手がかりを使うことが重要とされています（Wu et al., 2025）。
個人情報のマスキング：住所、電話番号、カード番号などを検出し、マスキングします。

各処理の結果は、話者、時刻、話題、感情のラベルが付いたデータとして保存され、RAG、ナレッジグラフ、会話分析にそのまま使えます。

Benefits

Considerations

Radford, A. et al. (2022). Robust Speech Recognition via Large-Scale Weak Supervision (Whisper). arXiv:2212.04356. https://arxiv.org/abs/2212.04356
Park, T. J. et al. (2022). A Review of Speaker Diarization: Recent Advances with Deep Learning. Computer Speech & Language, 72. arXiv:2101.09624. https://arxiv.org/abs/2101.09624
Wu, C. et al. (2025). Multimodal Emotion Recognition in Conversations: A Survey of Methods, Trends, Challenges and Prospects. Findings of EMNLP 2025. arXiv:2505.20511. https://arxiv.org/abs/2505.20511