AIの音声文字起こしで方言や訛りがうまく認識されないとき、ツールが駄目だと決めつける前に、言語設定、録音品質、話し方の三つが合っていないことがほとんどです。ここを整えれば認識率は明らかに回復します。
第一：言語と方言の設定
文字起こしツールが標準語に設定されているか、該当する方言に設定されているかを確認します。多くのツールは標準語のみが初期設定で、方言の内容を標準語モデルで無理に認識させれば不正確になるのは当然です。方言対応のツールでは手動で該当する方言オプションに切り替え、非対応のツールでは方言の文字起こしに強い製品でまず一回処理し、汎用ツールで校正します。
第二：録音品質
距離、騒がしい環境、複数人の同時発話はすべて認識率を下げます。話し手をマイクに近づけ、背景のテレビや音楽を消し、一度に一人だけ話すようにし、録音をまず聴いて声が明瞭なことを確認してから文字起こしします。電話の録音や会議室の遠方集音はもともと認識が難しい素材であり、100パーセントの正確さを求めるべきではありません。
第三：話し方と事後校正
話す速度が速い、音を飲み込む、専門用語が多いといったことはモデルに推測させます。文字起こしの前に話し手に少しゆっくり話すよう伝え、専門用語は初出時にフルネームで言ってもらいます。文字起こし後はそのまま使わず、原音と照らして聴き、特に間違いやすい四つの種類、すなわち人名、地名、数字、専門用語を重点的に校正します。特定の箇所が繰り返し誤認識される場合は、その部分だけを切り出して再度処理するか、その方言に対応した別のツールで個別に処理します。
ツール選びでは三つの能力を先に見る
文字起こしツールを選ぶ前に、三つの能力を確認します。必要な方言に対応しているか、複数話者の分離に対応しているか、タイムスタンプ付きテキストの書き出しに対応しているかです。方言対応が使えるかどうかを決め、話者分離が複数人の会議記録を正しく人に結び付けられるかを決め、タイムスタンプが校正時に原音へ素早く移動できるかを決めます。三つとも欠かせません。宣伝の認識率の数字だけを見ると買い間違えやすくなります。
