韓国の高級マンションで音声認識率9割以上、住宅の機器操作に組み込んだAI

クラウドを経由せず端末側でキーワードを検出する構成が、この用途との相性を決めた要因の一つです。ネットワーク越しに処理する音声認識は反応の遅れが避けられませんが、住戸の中で照明や家電を声で動かす場面では、わずかな待ち時間が「反応しない」という体感に直結します。処理を手元の基板に閉じ、あらかじめ設定したトリガーワードの検出だけに機能を絞り込んだ設計は、小さなメモリで軽快に動くという組み込み機器側の条件も同時に満たしています。

辞書を音声の録音なしにテキストから作れるという作り方は、開発の進め方そのものを変えました。従来のやり方では、トリガーワードを2〜3個用意するだけで1か月ほどを要し、作業の重心が辞書づくりに置かれざるを得ませんでした。ここが軽くなれば、空いた時間はそのまま実環境での検証に振り向けられます。認識の成否を左右するのは机上の辞書ではなく設置場所の音の条件だという前提に立つなら、この時間配分の組み替えこそが精度を押し上げた実質的な要因だと考えられます。

現地に入り込んで調整を繰り返した進め方も見逃せません。設置予定のマンションへ度々出向き、実際の反響の中でテストしては辞書をチューニングし直し、さらに誤認識の発生率をアプリケーション側でも調整するという、ミドルウェア単体では完結しない作り込みが行われています。韓国語の発音の癖に通じた現地企業がハードウェアを、音声認識と組み込みの知見を持つ日本側がソフトウェアを受け持つ分担も、初めての韓国語辞書という条件のもとで成立させる支えになったはずです。