音声認識

解説

音声認識は、人が話した言葉を解析し、文字データ（テキスト）に変換する技術です。近年は、深層学習を用いたモデルの発展により、認識精度が大きく向上しました。コールセンターでは、通話内容をテキストとして扱えるようにすることで、後処理の削減や品質確認などに活用されています。

実務での使われ方

コールセンターでは、通話を文字にして後処理の削減や品質確認に使います。主な使い方は次のとおりです。

• 通話内容をテキスト化し、後処理の入力を減らす
• 全件の通話を文字で検索できるようにし、品質確認や調査に使う
• 禁句や要説明事項の言い漏れを自動で検出する
• 応対中に関連するFAQを画面に提示する
• 生成AIと連携し、テキスト化した通話を要約する
• ボイスボットの入力部分を担う

注意点

周囲の騒音、回線の音質、話す速度、方言、複数人の発話の重なりは、認識精度を下げる要因になります。また、固有名詞や商品名は誤変換されやすいため、自社の用語を登録できる機能があるかどうかは、選定時の確認点になります。完璧な文字起こしを前提にすると、音声認識の結果は期待を下回ります。一方で、検索や傾向把握に使うのであれば、多少の誤りがあっても役立つ場合があります。