音声認識 — その概要、技術、動作原理

音声認識とは：ASRの原理

自動音声認識（ASR）はパイプラインです：オーディオ → 前処理（16 kHzモノラル、ノイズ低減、VAD — 音声アクティビティ検出）→ 特徴抽出（MFCC、LogMel FilterBank）→ 音響モデル（ニューラルネットワーク：CTC / RNNT / Transducer）→ 言語モデル（LM）→ デコード（テキスト）。最新のエンドツーエンドモデル（Whisper、Google USM、Conformer CTC）は音響モデルと言語モデルを1つのTransformerに統合し、パイプラインを簡素化して精度を向上させます。

モバイルデバイス向けASRアーキテクチャ：CTC（Connectionist Temporal Classification）— 高速で、オーディオとテキストのアライメントが不要、VoskやAndroidネイティブで使用。RNNT（Recurrent Neural Network Transducer）— ストリーミングASR、低レイテンシ（Google USM）。Conformer — CNN + Transformerのハイブリッド、最高の精度だがより重い：Whisper Medium（769Mパラメータ）— 30–60倍のレイテンシ。オンデバイスにはCTCが推奨：Vosk CTCモデルは50–100 MB、レイテンシ0.3–0.8倍リアルタイム。

ASRメトリクス：WER（Word Error Rate）— 参照に対する置換、削除、挿入された単語の割合。Google Cloud ASR — WER 7%（EN）、12%（RU）。Vosk — 13%（RU）、9%（EN）。Whisper Small — 6%（EN）、10%（RU）。CER（Character Error Rate）— 同様に、文字レベル。Real-Time Factor（RTF）— 処理時間 / オーディオ時間。RTF < 1 — リアルタイムより高速。RTF < 0.3 — リアルタイムASR。音声入力にはRTF < 1、文字起こしにはRTF < 3が必要。

VAD（音声アクティビティ検出） — 音声アクティビティを検出し、発話を無音やノイズから分離します。WebRTC VADはモバイルASRの標準です：30 msフレーム、3つのモード（0、1、2 — 控えめから積極的まで）。VADはRTFを1.5–3倍削減します（非発話セグメントをスキップ）。Silero VAD（MIT）はニューラルVADで、WebRTC（94%対85% ROC AUC）より正確、5–10 msのレイテンシ、TFLiteとCore ML対応。プロダクションASRでは、VAD → ASRカスケードを使用してください：これにより誤検出が減り、処理が高速化されます。

Android SpeechRecognizer API

Android SpeechRecognizerは、音声認識のためのAndroid SDKに組み込まれたクラスです。2つのモードで動作します：クラウド（Googleサーバー）— 高精度、インターネットが必要；オンデバイス（Android 10+から）— GBoard組み込みASRモデル、20以上の言語、WER 15–18%。SpeechRecognizerは発話中の中間結果（部分結果）と最終テキストを返します。RecognizerIntent.EXTRA_LANGUAGE経由で60以上の言語をサポート。音声入力に推奨 — 迅速な統合、無料。

SpeechRecognizer API：SpeechRecognizer.createSpeechRecognizer(context)で作成。RecognizerIntent.ACTION_RECOGNIZE_SPEECHを含むIntentに、LANGUAGE_MODEL_FREE_FORM（自由テキスト）またはLANGUAGE_MODEL_WEB_SEARCH（検索クエリ）のextraを設定。RecognitionListener経由で結果：onReadyForSpeech → onBeginningOfSpeech → onRmsChanged → onPartialResults → onResults。連続認識（常時リスニングモード）の場合 — onResults後に認識を再起動。バッテリー節約のため、onDeviceOnly = trueを使用。

// Android SpeechRecognizer
val recognizer = SpeechRecognizer.createSpeechRecognizer(context)
recognizer.setRecognitionListener(object : RecognitionListener {
    override fun onResults(results: Bundle) {
        val text = results
            .getStringArrayList(SpeechRecognizer.RESULTS_RECOGNITION)
            ?.firstOrNull() ?: ""
        showResult(text)
    }
    override fun onPartialResults(partialResults: Bundle) {
        val partial = partialResults
            .getStringArrayList(SpeechRecognizer.RESULTS_RECOGNITION)
            ?.firstOrNull() ?: ""
        showPartial(partial)
    }
})

val intent = Intent(RecognizerIntent.ACTION_RECOGNIZE_SPEECH).apply {
    putExtra(RecognizerIntent.EXTRA_LANGUAGE_MODEL,
        RecognizerIntent.LANGUAGE_MODEL_FREE_FORM)
    putExtra(RecognizerIntent.EXTRA_LANGUAGE, "ru-RU")
}
recognizer.startListening(intent)

Androidのオンデバイス vs クラウド：オンデバイスはインターネットなしで動作（Android 10+、Pixel 4+、Samsung S20+）。クラウドはより正確（Google Neural Network ASM Model）だがレイテンシが高い（ネットワーク込みで300–800 ms）。音声入力には、ハイブリッドアプローチを使用：ネットワークがない場合にオンデバイスにフォールバックするクラウド。Android SpeechRecognizerはRecognizerIntent.EXTRA_PREFER_OFFLINEに基づいて自動的にモードを選択。最大のプライバシーのために — onDeviceOnly = trueに設定（ただしロシア語の精度はWER 15–18%）。

iOS SFSpeechRecognizerとSpeech Framework

SFSpeechRecognizerは、iOS、macOS、watchOS向けのAppleの音声認識フレームワークです。iOS 10から利用可能。オンデバイスモード — iOS 17から（ローカルモデル、インターネット不要）。60以上の言語をサポート。精度：WER 7–12%（オンデバイス — 12–15%）。SFSpeechRecognizerはSpeech.framework経由で利用可能 — 追加のSDKは不要。SFSpeechRecognizer.requestAuthorizationで許可を要求。

SFSpeechRecognizer API：SFSpeechRecognizer(locale: Locale(identifier: "ru_RU")) → SFSpeechAudioBufferRecognitionRequest（ライブオーディオ）またはSFSpeechURLRecognitionRequest（オーディオファイル）。SFSpeechRecognitionTaskDelegate（didHypothesizeTranscription — 部分、didFinishRecognition — 最終）を使用したrecognitionTask(with:delegate:)によるストリーミング。オンデバイスモード：request.requiresOnDeviceRecognition = true。iOS 15+の場合：request.shouldReportPartialResults = true（低レイテンシのストリーミング結果）。

let recognizer = SFSpeechRecognizer(locale: Locale(identifier: "ru_RU"))
guard recognizer.isAvailable else { return }

let request = SFSpeechAudioBufferRecognitionRequest()
request.requiresOnDeviceRecognition = true
request.shouldReportPartialResults = true

recognitionTask = recognizer.recognitionTask(with: request) { result, error in
    if let result = result {
        let text = result.bestTranscription.formattedString
        let isFinal = result.isFinal
        DispatchQueue.main.async {
            textView.text = text
        }
    }
}

audioEngine.inputNode.installTap(config: bufferConfig) { buffer, _ in
    request.append(buffer)
}
audioEngine.prepare()
try audioEngine.start()

SFSpeechRecognizer vs Android SpeechRecognizer：SFSpeechRecognizerは再起動なしでネイティブストリーミングをサポート（Androidは繰り返しstartListeningが必要）。iOSのオンデバイスはiOS 17から利用可能（AndroidはAndroid 10から）。どちらもユーザー許可が必要（iOSの場合はNSMicrophoneUsageDescription + NSSpeechRecognitionUsageDescription、Androidの場合はRECORD_AUDIO）。SFSpeechRecognizerは英語でより正確（オンデバイス）、Android SpeechRecognizerはロシア語でより正確（クラウド）。iOS 17より前ではオンデバイスは利用不可 — インターネットが必要。iOS 17+では、オンデバイスでロシア語のWER 12–14%。

Vosk：20以上の言語でのオフライン認識

Voskは、Alpha Cepheiによるオフライン音声認識のためのオープンソースASRライブラリです。Kaldi ASRツールキット＋CTCモデルに基づいています。20以上の言語をサポート：ロシア語、英語、ドイツ語、フランス語、スペイン語、中国語、アラビア語。モデルは50 MB（小 — 50 MB、ru）から1.2 GB（大 — 1.2 GB、en）まで。VoskはAndroid（JNI）、iOS（C++ラッパー）、Linux、Windows、Raspberry Piで動作。RTF：フラッグシップデバイスで0.3–0.8。Voskは完全なオフラインASRに最適な選択肢です。

Vosk API：VoskWaveformModelLoader（モデルロード）→ VoskWaveformRecognizer（認識器作成）→ recognizer.createGrammar(list)またはrecognizer.getResult() / recognizer.getPartialResult()。グラマーサポート（固定コマンドセット）— GrammarRecogniser — RTF 0.1–0.3（3倍高速）。音声入力には自由認識（getResult）を使用。音声コマンドには — GrammarRecogniser（コマンドの99%精度）。Voskは話者識別（音声ベクトル分析）もサポート。

// Vosk offline ASR
val model = VoskModel("model/vosk-model-small-ru-0.22")
model.load()

val recognizer = VoskRecognizer(model, 16000.0f)
recognizer.setWords(true)

audioRecord.startRecording()
while (isListening) {
    val buffer = ByteArray(3200) // 100ms audio
    audioRecord.read(buffer, 0, buffer.size)
    if (recognizer.acceptWaveform(buffer)) {
        val result = recognizer.result // JSON
        text += JSONObject(result).getString("text")
    }
}

Vosk vs クラウドASR：Voskは完全にオフライン — プライバシー、ゼロレイテンシ、無料。クラウド（Google、Yandex）は複雑なシナリオ（ノイズ、アクセント）でより正確 — WERが3–5%低い。Voskは以下に最適：インターネットなしの音声入力、アクセシビリティアプリ、通話文字起こし（プライバシー）。クラウドASRは、プライバシーよりも精度が重要な音声アシスタント向け。推奨：オフラインにはVosk、オンラインにはSFSpeechRecognizer（iOS）/ SpeechRecognizer（Android）— シナリオに応じてアプローチを組み合わせてください。

モバイルデバイス上のWhisper OpenAI

Whisperは、OpenAIによる音声認識モデルで、680,000時間のオーディオ（多言語、99言語）でトレーニングされています。サイズは：tiny（39M、WER 10% EN、15% RU）、small（244M、WER 6% EN、10% RU）、medium（769M、WER 4.5% EN、8% RU）。WhisperはCore ML（iOS、ANE）およびTFLite（Android、GPU）経由でモバイルデバイス上で動作。Whisper tiny：CPUでRTF 4–10、GPUでRTF 0.5–2（Android）。Whisper small：GPUでRTF 2–6。Whisper medium — RTF 8–15、非リアルタイムのみ。

iOS上のWhisper（Core ML）：Apple MLX Whisper — Core MLおよびMLX（Apple Neural Engine）向けのWhisper実装。iPhone 15 ProでのWhisper tiny Core ML：RTF 0.3–0.8（リアルタイムより高速！）。Whisper small Core ML：RTF 1–3。Whisper Core MLはA17 Pro（Neural Engine 35 TOPS）のANEを使用。Hugging Face Transformers → coremltools-whisper経由でCore MLにエクスポート。ストリーミングにはWhisperStitcher（チャンク＋ステッチ）を使用。iOSのWhisperは最も正確なオンデバイスASR（WER 6% EN、10% RU）。

// Whisper Core ML on iOS
import MLXWhisper

let model = try WhisperModel(from: "whisper-tiny")
let audio = try AudioUtils.loadAudio(url: audioURL)
let segments = try model.transcribe(audio: Audio, options: TranscribeOptions(
    language: "ru",
    wordTimestamps: true,
    temperature: 0.0
))

for segment in segments {
    print(segment.text) // final text with timestamps
}

Whisper vs Vosk：Whisperの方が正確（6%対9% WER EN）、99言語をサポート、言語検出、句読点、感情認識を含む。Whisperはより重く（39M–769M対50M Vosk）、リアルタイムでより遅い（RTF 0.5–6対0.3–0.8）。Whisper tinyは速度でVoskに匹敵（RTF 0.5–2 GPU）。Voskはより軽く、より速く、ストリーミングリアルタイムに適している。Whisperは精度が速度より優先される一度きりの文字起こし向け。Voskはリアルタイム音声入力向け。最終テキストにはWhisper、インタラクティブ用途にはVoskを使用。

モバイルアプリケーションにおける音声認識の活用

音声テキスト入力 — ASRの最も広範な用途：メッセージ、検索クエリ、メモの dictated入力。要件：RTF < 1（リアルタイム）、部分結果（発声中にテキストを表示）。Android GboardとiOSキーボードにはASRが組み込まれています（オンデバイス、WER 12–18%）。カスタム実装には、Android SpeechRecognizer / SFSpeechRecognizerを使用。最大の精度には — クラウドASR＋Voskフォールバック。ロシア語で98%の精度の音声入力には — Vosk（オフライン）＋Yandex SpeechKit（オンライン）を組み合わせます。

通話と会議の文字起こし — 自動文字起こし生成のためのASR。要件：レイテンシ要件なし、WER < 10%、話者ダイアライゼーション（誰が話しているか）。Whisper Small（オフライン）＋pyannote-audio（ダイアライゼーション）が文字起こしの標準スタック。iOSでは — Whisper Core ML（RTF 1–3、WER 6–10%）。Androidでは — Whisper TFLite（RTF 2–6、WER 8–12%）またはGoogle Cloud ASR＋ダイアライゼーション。プライバシー（通話がサーバーに送られない）のため — デバイス上のWhisper。ダイアライゼーション精度：80–90% DER。

音声アシスタント — Siri（SFSpeechRecognizer）、Google Assistant（Android SpeechRecognizer）、Alexa（オンデバイスASR）。カスタムアシスタント：ASR → NLU（自然言語理解）→ アクション → TTS。ASRは最初の段階 — チェーン全体の精度を決定します。NLUには、RASA、Snips NLU（オンデバイス）、またはクラウドNLU（Dialogflow、Amazon Lex）を使用。TTSには：Android TTS / iOS AVSpeechSynthesizer。オンデバイス音声アシスタント（Vosk + RASA + TTS）は完全にプライベートで、インターネットなしで動作、リクエストあたりのレイテンシ < 2秒。

// Voice assistant with Android SpeechRecognizer + TTS
recognizer.setRecognitionListener(object : RecognitionListener {
    override fun onResults(results: Bundle) {
        val query = results.getStringArrayList(
            SpeechRecognizer.RESULTS_RECOGNITION
        )?.firstOrNull() ?: return

        val intentResult = nluService.classify(query)
        textToSpeech.speak(intentResult.response)
        executeAction(intentResult.action)
    }
})

運動障害を持つ人々のためのアクセシビリティ — 音声認識により、音声でアプリを操作可能：連絡先を開く、メッセージを送信、番号をダイヤル。Android Voice AccessとiOS Switch Control + VoiceOverは組み込みソリューション。カスタム実装には：GrammarRecogniser（Vosk）と固定コマンドセット（50–100フレーズ）— RTF 0.1–0.3、99%の精度。Vosk GrammarはBNF形式で文法を定義可能。アクセシビリティには速度が重要 — Vosk Grammarは自由認識より5倍高速で、バッテリー消費も少ない。