G検定 用語解説
音声認識とは
人が話した音声を文字（テキスト）に変換する技術。文字から音声を作り出す音声合成とは入出力の向きが逆の関係にある。
まず押さえる結論
音声認識は、G検定の「大項目6 ディープラーニングの応用例」で確認しておきたい用語です。定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
情報源と編集区分
公式範囲を確認し、具体例・誤答例・判断手順は当サイトが編集。 一次情報確認日: 2026-07-03。
試験概要（公式）試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
誤答しやすいポイント
×物体検出（R-CNN系/YOLO/SSD）とセグメンテーション（セマンティック＝画素単位の塗り分け、インスタンス＝個体ごとに区別）の混同。
×word2vec・BERT・GPTの違い（BERT＝前後両方向、GPT＝一方向・自己回帰）。
×強化学習の応用（DQN、AlphaGo）と画像/言語タスクの取り違え。
関連する確認問題
大項目6 ディープラーニングの応用例 / 音声・強化学習
音声認識で、人間の聴覚特性を考慮した音声特徴量として古くから使われるものはどれか。
正解は「メル周波数ケプストラム係数」である。メル周波数ケプストラム係数は、音声信号から人間の聴覚特性を考慮した特徴を取り出す音声認識で使われる特徴量である。ViTとMask R-CNNは画像分野、seq2seqは系列変換モデルで自然言語処理などに使われ、音声特徴量そのものではない。 候補がモデルか特徴量かを分ける。ViTとMask R-CNNは画像モデル、seq2seqは系列から系列への変換モデルである。音声を短時間分析し、メル尺度のフィルタバンクとケプストラムで表すMFCCが音声認識の代表的特徴量である。
大項目6 ディープラーニングの応用例 / 自然言語処理
文章を単語や形態素などの単位に分割し、品詞などを解析する自然言語処理の基本処理はどれか。
正解は「形態素解析」である。形態素解析は、文章を単語や形態素などの単位に分割し、品詞などを解析する自然言語処理の基本処理である。機械翻訳は言語間の変換、分散表現は単語などをベクトルで表す方法、音声認識は音声を文字列に変換する技術である。 自然言語処理の工程を成果物で区別する。機械翻訳は別言語文、分散表現はベクトル、音声認識は音声から文字列を出す。文を言語上の最小単位へ区切り各単位へ品詞情報を付けるのは形態素解析である。活用形を原形へ戻す情報も後続処理の入力になる。
大項目6 ディープラーニングの応用例 / 音声・強化学習
直接は観測できない内部状態が確率的に遷移し、その状態から観測データが確率的に生成されると考える時系列モデルで、古くから音声認識などに用いられてきたものはどれか。
正解は隠れマルコフモデル（HMM）。直接観測できない状態が確率的に遷移し、各状態から観測値が確率的に出力されると仮定する時系列モデルで、ディープラーニング普及以前から音声認識などで広く使われてきた。word2vecは単語を分散表現に変換する手法、WaveNetは音声を高品質に合成する深層生成モデル、seq2seqは系列を別の系列に変換するEncoder-Decoder構成で、いずれも隠れた状態遷移を確率的に扱うHMMとは異なる。 時系列モデルの構造を照合する。seq2seqはEncoder-Decoderの系列変換、word2vecは単語埋め込み、WaveNetは音声波形生成である。隠れ状態のマルコフ遷移確率と観測出力確率を持つのは隠れマルコフモデルである。
同じ章で確認したい用語
到達チェック
- 音声認識を一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、音声認識に関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる
執筆: ミナト編集部（運営者情報を見る）