1文字も間違えられないデータを音声認識に任せない

音声UX事後検証ASR
更新日 2026-09-07

製品のあるステップが1文字の誤りも許容できないなら、そこを通る唯一の手段を音声にしてはいけません。教訓はこれだけで、これを学ぶ代償としてお客様との関係を失いました。

何を作ろうとしていたか

お客様は学校向けの音声デバイスを求めていました。中核の流れはシンプルです。生徒がデバイスに向かって学生番号を話すと、システムがその生徒の学習記録と先生のコメントを呼び出し、読み上げます。画面もアプリもログインもなく、近づいて話すだけです。

ロジックはすっきりしていて、会議室で聞く分には体験も良さそうでした。ところが最初のステップで壊れました。

意図の認識と数字の認識は別の問題です

音声認識は、相手が何を言いたかったのかを読み取るのが非常に得意です。一方、数字の並びを正確に取り込むことは明らかに苦手で、ここでの学生番号は8桁でした。1桁でも違えば該当する記録がなく、流れはそこで止まります。部分点はありません。

テストでは3つの失敗パターンが現れ、しかも重なって起きました。

訛りと似た発音

中国語では三(3)と四(4)、一(1)と七(7)は混同しやすく、地域の訛りがその差をさらに広げます。英語でも fifteen と fifty、通信品質が悪いときの M と N など、同種の問題があります。どの言語にもこうした組み合わせがあり、ID文字列はそれが最も痛手になる場面です。

弱いネットワーク

回線が遅いと、認識の往復時間が伸びます。ユーザーは待たされ、ようやく返ってきた答えもやはり間違っています。遅延は単に煩わしいだけでなく、やり直せばうまくいくという感覚を奪います。

子どもの実際の話し方

子どもは合図に合わせてはっきり発音してはくれず、動き回るので口とマイクの距離も常に変わります。静かな環境で大人が試したときは問題なかった精度が、実際の教室では目に見えて落ちました。

画面がないことで、悪いステップが行き止まりになりました

スマートフォンやタブレットなら、誤認識は修正できます。画面に38472619と表示されれば、7が1であるべきだと気づいて直せます。画面のないデバイスでは、機械が何を聞き取ったのかをユーザーは知ることができません。返ってくるのは「記録が見つかりません」だけです。もう一度言っても同じく失敗し、失敗から成功へ戻る道がありません。

仕様を決める段階では見落としやすいので、はっきり書いておきます。画面をなくすことは、表示をなくすだけではありません。訂正のループをなくすことです。

何を変えたか

学生番号は、スマートフォンでの登録時にアカウントへ紐づけるようにしました。デバイス上では、音声は本人確認と通常の会話を担当し、正確な数字列を運ぶ役目は負いません。音声が得意なのは、おおよそ合っていれば役に立つような、曖昧さや誤りを許容する入力です。

作り直して、お客様のもとへ戻りました。遅れたのは私たちの責任で、お客様が不満を抱かれたのも当然であり、設計を直すこと以外に弁解の余地はほとんどありません。

今、私たちが問うこと

このステップでモデルが間違えたとき、ユーザーはそれに気づけるか。気づいたとして、訂正できるか。

はいであれば、音声で問題ありません。いいえであれば、そのステップを音声の後ろに置くべきではありません。もっと前に紐づけておく、別のチャネルに移す、ユーザーが実際に操作できる確認手段を足す、のいずれかです。

「AIにはこれができる」と「AIはこの特定の状況でこれを確実にできる」は、別の主張です。この2つを分けて考えることは音声ハードウェアの最も基本的な規律であり、金型を起こした後より仕様の段階で適用するほうが、たいていは安く済みます。