問78
頻出度★★☆
利用者がスマートスピーカーに向けて話し掛けた内容に対して, スマートスピーカーから音声で応答するための処理手順が (1) ～ (4) のとおりであるとき, 音声認識に該当する処理はどれか。 (1) 利用者の音声をテキストデータに変換する。 (2) テキストデータを解析して, その意味を理解する。 (3) 応答する内容を決定して, テキストデータを生成する。 (4) 生成したテキストデータを読み上げる。
令和6年度 ITパスポート試験 問78
ストラテジ系ビジネスインダストリ › ビジネスシステム
この問題の解説と、これまでの解答の記録です。
解説
問 78
- ア
正解 音声認識とは、人間が発した「音声」をコンピュータが解析して「テキストデータ (文字)」へ変換する処理のことです。手順 (1)「利用者の音声をテキストデータに変換する」が、まさに音声を文字へ起こす処理であり、音声認識の定義に直接当てはまります。したがって正解は (1) を指すアです。スマートスピーカーの一連の流れでは、まず (1) 音声認識で発話を文字化し、次に (2) で意味を理解、(3) で応答文を作り、(4) で音声合成して読み上げる、という順序になります。
不正解イ
(2)「テキストデータを解析して、その意味を理解する」は、音声から起こした文字列の意味を解釈する処理で、自然言語処理 (意味理解) に当たります。入力はすでにテキストであり「音声→文字」の変換ではないため、音声認識ではありません。
不正解ウ
(3)「応答する内容を決定して、テキストデータを生成する」は、理解した内容をもとに返答文を組み立てる応答生成 (対話処理) です。音声を認識する段階ではなく、認識・理解が済んだ後の処理なので音声認識には該当しません。
不正解エ
(4)「生成したテキストデータを読み上げる」は、文字を音声に変換して出力する処理で、音声合成 (speech synthesis) です。音声認識とは逆方向の「文字→音声」変換であり、混同しやすいですが別の技術です。
ここがポイント
- 音声認識 (speech recognition) = 音声をテキストへ変換する処理。逆に音声合成 (speech synthesis) = テキストを音声へ変換する処理であり、両者は方向が逆である点を区別する。
- スマートスピーカーの対話は「音声認識 (1) → 意味理解 (2) → 応答生成 (3) → 音声合成 (4)」という処理段階に分かれており、各用語がどの段階に対応するかを押さえる。
用語