音声入力・音声認識の精度が悪い原因と対策｜AI なのかも解説

音声入力の精度が悪い主な理由は、音声認識がマイク、部屋の環境、話し手の声、語彙、モデルという鎖のようにつながった仕組みで、結果の質がいちばん弱い環で決まってしまうことです。音声入力、音声認識、音声タイピングと呼び方は違っても、使われているエンジンは同じなので、悩みも同じです。「機会」と言ったのに「機械」と出る。上司の名字を言ったら野菜の名前になった。考えるために黙ったら、言ってもいない文が入っていた。

こうした誤りは、それぞれ原因も対策も違います。この記事では症状、原因、対策の順に整理し、最後に「音声入力は AI なのか」という疑問にも答えます。ツール選びが目的なら、音声入力ソフトの比較記事から読むのがおすすめです。

音声入力の精度が悪い原因：症状別チェック表

音声入力が言葉を間違えるのは、音声が不明瞭なとき、モデルが学習でほとんど出会わなかった言葉のとき、そして発音の似た言葉を選び分けるための文脈が足りないときです。不満の大半はこの3つのどれかに行き着き、どれが原因かはたいてい症状からわかります。

精度を左右するのはモデルよりマイク

音声入力の精度が悪いとき、まず疑うべきは音質です。口から離れたマイクは、声とほぼ同じ大きさで周りの音も拾ってしまいます。はっきり届かなかった言葉は、どんなモデルでも復元できません。ノートパソコンのマイクは、ファンやキーボードのすぐそばにあります。人通りの多い道でスマホを腕いっぱいに離して持てば、録れているのはほとんど街の音です。

ヘッドセットを使えば必ず良くなるわけでもありません。多くの Bluetooth イヤホンは、マイクを使っている間は音質の低い通話モードに切り替わるため、安い有線イヤホンのほうが高価なワイヤレスイヤホンより良い結果になることもあります。パソコンがどのマイクの音を拾っているかも確認しましょう。Mac の音声入力、Windows の音声入力、Word の「ディクテーション」はいずれもマイクを選べます。部屋の反対側にある Web カメラのマイクが、いつの間にか既定になっていることもあります。

メーカーも同じことを勧めています。Microsoft は Word の「ディクテーション」のトラブルシューティングで、ヘッドセットや外付けマイクの使用と、周囲の雑音を減らすことを挙げています。Google の音声入力ヘルプも、静かな場所に移動し、外付けマイクを接続するよう案内しています。

ソフトに聞こえている音を確かめる： いつも音声入力をしている場所で、スマホの録音アプリを使って20秒録音し、ヘッドホンで再生してみてください。食洗機や換気扇、自分のキーボードの音が聞こえるなら、音声認識にも聞こえています。その場合は、アプリを替えるよりマイクの位置を変えるほうが効果があります。

話し方で認識精度は変わる

話し方が精度に影響するのは、音声認識が主に自然で流暢な話し言葉から学習しているためです。語尾が消えていく、文末を飲み込む、1語ずつゆっくり区切って話す、といった話し方では、モデルが手がかりにできる情報が減ります。Microsoft は「より丁寧に話す」よう勧めていますが、ここでいう丁寧さは「ゆっくり」ではなく「最後まで言い切る」ことだと考えるとうまくいきます。文を頭の中で組み立ててから、ひと息で言いましょう。

長い沈黙には、もっと意外なリスクもあります。Allison Koenecke 氏らによる2024年の研究「Careless Whisper」では、OpenAI の Whisper による文字起こしのおよそ1%に、音声にないフレーズや文がまるごと含まれていました。こうしたハルシネーション（AI がもっともらしい誤りを生成する現象）は、沈黙の長い話者で特に多く起きていました。多くの音声入力ツールはこのモデルそのものを使っているわけではありませんが、教訓は同じです。

考えるときはマイクを切る： 次の文が出てくるまでに数秒以上かかりそうなら、音声入力をいったん止めて考え、文が固まってから再開します。言いかけのフレーズが減り、エンジンが長い沈黙を埋めることもなくなります。

人名・専門用語・同音異義語を間違える理由

音声入力が人名や専門用語に弱いのは、音声認識が学習でよく出会った言葉に引っ張られるからです。また、「機会」と「機械」のような同音異義語は文脈で選び分けますが、その文脈が足りないことがよくあります。スマホのキーボードが聞いているのは、前後から切り離された1文だけです。取引先の東海林（しょうじ）さんに第3四半期の契約更新について返信している、という事情は知らないので、その音に合う最もありふれた言葉を選んでしまいます。

珍しい言葉は、ツールに語彙を教えるのが近道です。専用の AI 音声入力アプリにはカスタム辞書があり、Laxis の AI 音声キーボードでは「カスタム辞書」に人名、略語、専門用語を登録できます。OS 標準の音声入力にはたいていこの機能がないので、その場で直します。Mac では青い下線の付いた言葉をクリックすると候補が出ます。iPhone 12 以降では、米国英語なら「change」と言ってから正しいスペルを言えば直せます。Pixel では聞き間違えられた言葉をタップします。Google によると、Pixel の高度な音声入力は、訂正した言葉から学習して精度が上がります。

同音異義語には、別の習慣が効きます。フレーズが長いほど、モデルの言語側が使える手がかりが増えるため、「こうしょう」とだけ言うより「価格を交渉する」と言うほうが正しく変換されやすくなります。そのうえで、同音異義語、数字、否定表現に絞って見直しましょう。1語違うだけで意味が逆になりやすい3つのポイントです。

アクセントや方言で精度に差が出る

一部のアクセントや方言では、音声入力の精度がはっきりと下がります。多くのエンジンの学習データが、特定の話し方に偏っているためです。よく知られているのが、Allison Koenecke 氏が率いたスタンフォード大学の2020年の研究（学術誌『PNAS』に掲載）です。2019年にテストした Amazon、Apple、Google、IBM、Microsoft のシステムは、黒人話者の言葉を平均35%誤認識したのに対し、白人話者では19%でした。その後エンジンは改善されていますが、この差が解消されたことを示した人はまだいません。

英語の米国・英国のように地域別の言語設定がある場合は、自分の話し方に最も近いものを選ぶと効果があり、費用もかかりません。詳しくは訛りのある話し方や2つの言語で音声入力するコツで解説しています。

スマホは小さなモデル、クラウドは大きなモデル

スマホの音声入力は端末上で処理されることが多く、音声モデルはスマホのメモリとバッテリーの制約に収まる大きさでなければなりません。一方、クラウドサービスははるかに大きなモデルを動かせます。Apple によると、iPhone の音声入力は多くの言語で端末上で処理され、インターネット接続は不要です。Google によると、Pixel の高度な音声入力は、Fix it などの機能を使わない限り、話した内容をスマホの外に出しません。対照的に、Windows の音声入力は Microsoft の Azure Speech サービスによるオンライン認識を使っています。

端末上の処理だから劣る、というわけではありません。プライバシーを守れ、機内でも使え、スマホメーカーは結果を整えるローカルの言語モデルも組み込み始めています。iOS 27 では、Apple がこうしたモデルを使い、iPhone 17 Pro、iPhone Air 以降の機種で英語の綴り、句読点、大文字の使い方を改善しています。ただしトレードオフはあり、同じ文でもスマホとノートパソコンで結果が変わる理由の1つになっています。プライバシー面については、オンデバイスとクラウドの文字起こしの比較記事で解説しています。

音声入力の精度が落ちてきたと感じるなら、技術が後退したのではなく、鎖のどこかが変わった可能性が高いでしょう。新しいイヤホン、既定のキーボードの変更、OS のアップデート、オフライン言語パックなどです。静かな部屋でマイクに近づいて試し直し、問題の原因が音声なのかソフトなのかを切り分けてください。

音声入力（音声認識）は AI なのか？

機械学習という意味で、音声入力は AI です。現在の音声認識は、人が書いたルールの集まりではなく、大量の録音音声とその文字起こしを組み合わせて学習したニューラルネットワークです。したがって、AI に含まれます。Alec Radford 氏らが2022年の論文で発表した OpenAI の Whisper は、ウェブから集めた68万時間の音声で学習しています。現在の主要な音声入力エンジンは、いずれもこの方法で作られています。

ここまで見てきた挙動の多くは、これで説明がつきます。モデルは学習した内容をもとに、聞こえた音に最も当てはまりそうな言葉を予測します。そのため、よくある話し方には強く、珍しい名前や学習データの少ない声には弱くなります。自信満々に間違えることもあれば、誰も言っていない言葉を出力することもあります。音声認識の仕組みは、音声テキスト変換の解説記事で詳しく紹介しています。

ただし、音声入力が文章を代わりに書いてくれるわけではありません。基本的な音声入力は話した内容を文字にするだけで、チャットボットのような生成 AI ではありません。とはいえ、その境界はあいまいになりつつあります。多くのツールが、言語モデルで言葉を整える2段階目の処理を加えているからです。Windows の Fluid dictation、Pixel の Fix it、Apple の iOS 27 のモデル、Laxis の Verbal Cleanup は、いずれもその一種です。学校や勤務先のルールで「AI」の利用が制限されている場合は、それが文字起こしを指すのか書き換えを指すのかを確認し、どの追加機能がオンになっているかをチェックしましょう。

OS 標準の音声入力で十分なケース

静かな部屋での短いメッセージ、検索、ちょっとしたメモなら、OS 標準の音声入力で十分ですし、無料です。まずはマイク、言語設定、間の取り方を見直しましょう。それでも残る問題が主に人名、フィラー（「えー」「あの」などのつなぎ言葉）、まとまりのない長文なら、AI 音声入力アプリを使う価値があります。

Laxis の AI 音声キーボードは、パソコンとスマホのアプリをまたいで使え、フィラーや繰り返しを取り除き、句読点を入れ、人名はカスタム辞書をもとに入力します。制約もあります。クラウド専用なのでネット接続が必要で、音声は端末の外に送られます。また無料プランでは、音声入力と会議で月300分の枠を共有します。14日間の Premium トライアルはクレジットカード不要なので、普段いちばん困っている誤りで試してみてください。

よくある質問

iPhone の音声入力がおかしい・精度が悪いのはなぜですか？

多くの場合、iPhone 固有の欠陥ではなく、マイクとの距離、周囲の雑音、学習していない人名や専門用語が原因です。iPhone を口に近づけ、まとまったフレーズで話し、難しい名前はスペルを1文字ずつ言いましょう。iPhone 12 以降で米国英語を使っている場合は、「change」と言って聞き間違えられた言葉を音声で直すこともできます。

音声入力の精度が落ちてきたのはなぜですか？

たいていは技術が後退したのではなく、環境のどこかが変わったためです。よくある原因は、新しい Bluetooth イヤホン、既定のマイクの変更、OS のアップデート、新しいキーボードアプリ、オフライン言語パックです。静かな部屋でマイクを近づけて試し直し、問題が音声側にあるのかソフト側にあるのかを切り分けてください。

音声入力は AI ですか？

はい。現在の音声入力は機械学習を使っています。大量の録音音声と対応する文字起こしで学習したニューラルネットワークが、聞こえた音に最も当てはまりそうな言葉を予測します。たとえば OpenAI の Whisper は68万時間の音声で学習しました。素の音声入力は文章を書くのではなく文字にするだけですが、最近は多くのツールが、テキストを整えたり書き換えたりする AI の処理を加えています。

音声認識は生成 AI ですか？

基本的な音声認識は、チャットボットのような意味での生成 AI ではありません。新しい内容を作り出すのではなく、話した内容を文字にするからです。ただし境界はあいまいになっています。音声認識はテキストを1語ずつ出力するため、誰も言っていないフレーズをまれに挿入することがあります。また、多くの音声入力ツールは言葉を書き換える言語モデルを加えています。ルールで生成 AI が制限されている場合は、どの機能がオンになっているかを確認しましょう。

音声入力の精度を上げるにはどうすればいいですか？

マイクを口に近づけ、周囲の雑音を減らし、普通の速さでまとまったフレーズを話し、正しい言語と地域の設定を選びます。次に、ツールに自分の語彙を覚えさせます。カスタム辞書があれば使いましょう。ほとんどの誤りはこれで直ります。それでも人名やフィラーが問題なら、専用の AI 音声入力アプリを試してみてください。

音声入力で人名を間違えるのはなぜですか？

音声認識は学習でよく見た言葉を優先しますが、名字やブランド名、略語の多くはめったに出てこないからです。文脈がなければ、エンジンは最も近いありふれた言葉に置き換えます。カスタム辞書のあるツールなら、名前を登録すれば直ります。OS 標準の音声入力にはたいていこの機能がありませんが、iPhone や新しめの Pixel では、名前のスペルを1文字ずつ言えば正しく入力できます。