音声認識とは？おんせいにんしき
音声認識とは、人が話した声をコンピュータが聞き取り、文字（テキスト）のデータに変える技術。スマートフォンに話しかけて検索したり、会議の発言を自動で文字に起こしたりする場面で使われている。いまの音声認識は、大量の音声データから規則を学ばせる機械学習、なかでも何層にも重ねた仕組みで学ぶディープラーニングによって精度が大きく上がった。
最終更新：2026-10-10
この語が出る過去問を解く →背景
コンピュータに文字を入れる手段がキーボードしかなかったころは、電話の応対内容も会議の議事録も、人が聞きながら打ち直すしかなかった。手がふさがっている運転中や、文字入力が難しい高齢の人にとっては、機械を使うこと自体が負担だった。声をそのまま入力にできれば、この打ち直しと操作の壁をまとめて取り除ける。
具体例
iPhoneのSiriに「明日の天気は？」と話しかけると、まず音声認識で声を文字にし、その文の意味を読み取って天気を調べる。答えを読み上げる部分は、文字を声に変える音声合成という別の技術が担う。YouTubeの自動字幕も、動画の音声を音声認識で文字にしたものである。
試験での引っ掛け
向きの取り違えが定番。声→文字が音声認識、文字→声が音声合成である。また「何と言ったか」を読み取る音声認識と、「誰の声か」で本人を確かめる声の生体認証（声紋認証）は別物。過去問では、現実の映像に情報を重ねるAR（拡張現実）を問う問題や、ディープラーニングとは何かを問う問題で、音声認識が誤りの選択肢として並ぶ。音声認識は「声を文字にする」という使い道の名前で、ディープラーニングという学習の方法そのものではないから誤りになる。ディープラーニングは音声認識の精度を高めた手段、音声認識はその応用先、という関係で区別する。
関連用語
出た過去問
問題文で直接問われたものと、解説の中で触れられたものが含まれます。
出典：令和元年度 秋期 ITパスポート試験 問21（IPA）解説で登場
ディープラーニングに関する記述として、最も適切なものはどれか。
正解：大量のデータを人間の脳神経回路を模したモデルで解析することによって、コンピュータ自体がデータの特徴を抽出、学習する技術
要点：ディープラーニングは多層NNで特徴を自動抽出する
ディープラーニングは、人間の脳の神経回路を模した多層のニューラルネットワークに大量のデータを与え、コンピュータ自身がデータの特徴（特徴量）を抽出して学習する技術である。従来は人が設計していた特徴の抽出を自動化できる点が大きな特徴で、画像認識や音声認識の精度を大きく高めた。
出典：令和2年度 10月試験 ITパスポート試験 問19（IPA）解説で登場
ディープラーニングを構成する技術の一つであり、人間の脳内にある神経回路を数学的なモデルで表現したものはどれか。
正解：ニューラルネットワーク
要点：ニューラルネットワークは脳の神経回路を模した計算モデル
ニューラルネットワークは、脳の神経細胞（ニューロン）が信号を受け取り重み付けして次へ伝える仕組みを数式でまねた計算モデルである。この層を何層も深く重ねて学習させる手法がディープラーニングであり、画像認識や音声認識などで高い性能を示す。他の選択肢はいずれも通信・記憶に関するネットワークの用語である。
出典：令和2年度 10月試験 ITパスポート試験 問22（IPA）
出典：令和5年度 秋期 ITパスポート試験 問14（IPA）解説で登場
AIの活用領域の一つである自然言語処理が利用されている事例として、適切なものだけを全て挙げたものはどれか。 a Webサイト上で、日本語の文章を入力すると即座に…
正解：a, b, c
要点：自然言語処理は文章や発話の意味を扱う技術
自然言語処理は、人間が使う言葉の文章を計算機が解析・理解・生成する技術である。機械翻訳、SNS投稿の文章からの情報抽出、音声認識後の発話内容の解釈はいずれも言語を扱う処理なので該当する。一方でナンバープレートの文字を画像から読み取る処理は画像認識・文字認識の領域であり、言語の意味を扱う処理ではない。
出典・参考
解説は資格暗記が独自に作成しています。過去問の出典は各問題に記載のとおりです。