--- title: "音声認識（STT） とは？話し声を文字起こしするAI技術。 | AI用語集 - ai-garage" description: "音声認識（STT）（Speech-to-Text）を初心者向けにやさしく解説。話し声を文字起こしするAI技術。 音声認識（STT／ASR）は、話し声をAIが聞き取って文字に変換する技術" source: https://ai-garage.jp/glossary/speech-to-text/ --- 技術 # 音声認識（STT）とは？ 最終更新 2026年7月6日 別名: Speech-to-Text / ASR 話し声を文字起こしするAI技術。 ⚡ 30秒でわかる ## 音声認識（STT） の主なポイント - 1 音声認識（STT／ASR）は、話し声をAIが聞き取って文字に変換する技術 - 2 議事録・字幕・音声入力・通話記録など、手作業の文字起こしを自動化する用途で広く使われる - 3 OpenAI が無料公開する「Whisper」が代表例で、雑音や多言語にも比較的強い - 4 「声→文字」がSTT、「文字→声」は逆向きの音声合成（TTS）で、両者は別の技術 - 5 変換したテキストをそのままAIに渡して、要約・翻訳・検索につなげる使い方が一般的になっている 📖 詳しく ## 音声認識（STT） とは 音声認識（STT＝Speech-to-Text）とは、マイクなどから入った話し声を、AIが聞き取って文字（テキスト）に変換する技術です。スマホの音声入力、会議の議事録、動画の字幕、コールセンターの通話記録など、日常のあちこちで使われています。 なぜ重要かというと、これまで人が手で文字起こししていた作業を自動化できるからです。1時間の会議を書き起こすのに人手では数時間かかりますが、STTなら数分で下書きができ、検索や要約もしやすくなります。 身近な例でいうと、スマホで「OK Google」と話しかけたり、LINEのボイスメッセージが自動で文字に起こされたりするのも、すべてこのSTTの働きです。最近では、変換したテキストをそのままAIに渡して要約・翻訳させる使い方も一般的になりました。 代表的な技術として、OpenAI が無料公開している「Whisper」が広く使われており、雑音まじりの音声や多言語にも比較的強いのが特長です。 混同しやすいのが逆向きの技術「音声合成（TTS＝Text-to-Speech）」で、こちらは文字を読み上げて音声にするもの。STTは「声→文字」、TTSは「文字→声」と覚えると分かりやすいです。また、声そのものを再現する「[音声クローン](https://ai-garage.jp/glossary/voice-clone/)」とも目的が異なります。 ❓ FAQ ## よくある質問 Q. 音声認識（STT）とは何ですか？ A. 話し声をAIが聞き取って文字（テキスト）に変換する技術で、Speech-to-Text の頭文字を取ってSTT、またはASR（自動音声認識）とも呼ばれます。スマホの音声入力や会議の議事録、動画の字幕づくりなどに使われ、人が手で文字起こしする作業を自動化できるのが大きな利点です。OpenAI の Whisper など無料で使えるものも登場し、誰でも手軽に試せるようになりました。 Q. 音声認識（STT）と音声合成（TTS）は何が違うの？ A. 向きが正反対です。STT（音声認識）は「声→文字」で、話した内容を文字に書き起こします。一方TTS（音声合成）は「文字→声」で、入力した文章をAIが読み上げて音声にします。たとえば会議を文字起こしするのがSTT、カーナビが道案内を読み上げるのがTTS、とイメージすると分かりやすいです。 Q. 初心者が音声認識を使うには何から始めればいい？ A. まずはスマホの音声入力や、お使いの会議ツール・文字起こしアプリに付いている自動文字起こし機能を試すのが手軽です。もう少し本格的に使いたい場合は、OpenAI の Whisper のように無料で公開されているモデルを利用する方法もあります。ただし変換結果には誤りが混じることがあるため、議事録など正確さが必要な場面では必ず人が目を通して直すのが安心です。 Q. 音声認識の精度を上げるコツはありますか？ A. なるべく静かな環境で、マイクに近づいてはっきり話すことが基本で、これだけでも誤変換がぐっと減ります。早口や複数人の同時発話、専門用語や固有名詞は間違えやすいので、重要な部分はゆっくり区切って話すと効果的です。それでも完璧にはならないため、最後に人が確認して修正する前提で使うのが現実的です。 🔗 関連 ## あわせて読みたい 関連用語 [音声クローン](https://ai-garage.jp/glossary/voice-clone/)[マルチモーダル](https://ai-garage.jp/glossary/multimodal/)[Transformer](https://ai-garage.jp/glossary/transformer/) 関連 AI モデル [ElevenLabs — ElevenLabs 音声合成の業界標準から「声・音楽・エージェント」の統合プラットフォームへ。2026年9月に新世代の音声モデル Eleven v4 を公開。](https://ai-garage.jp/models/elevenlabs/) 関連トピック [音声AI革命 — 通話の概念が変わる ElevenLabs・OpenAI Voice・Grok Voice が実用化。AIと会話することが普通になる年。](https://ai-garage.jp/topics/voice-revolution/) 📰 この用語が登場する記事 ## 「音声認識（STT）」が出てくるニュース [![ChatGPT が音声ファイルの文字起こしに対応！mp3・m4a で512MBまで](https://ai-garage.jp/images/news-heroes/chatgpt-audio-upload-transcription-card.webp) 2026/10/10 ChatGPT が音声ファイルの文字起こしに対応！mp3・m4a で512MBまで](https://ai-garage.jp/news/chatgpt-audio-upload-transcription/)[![Gemini Live Avatar の料金は？話す1分で約$0.39、声だけの約22倍](https://ai-garage.jp/images/news-heroes/gemini-live-avatar-pricing-card.webp) 2026/9/25 Gemini Live Avatar の料金は？話す1分で約$0.39、声だけの約22倍](https://ai-garage.jp/news/gemini-live-avatar-pricing/)[![Gemini 3.8 Live とは？推論強化版も同じ料金、音声出力は1分$0.018](https://ai-garage.jp/images/news-heroes/gemini-3-8-live-launch-card.webp) 2026/9/17 Gemini 3.8 Live とは？推論強化版も同じ料金、音声出力は1分$0.018](https://ai-garage.jp/news/gemini-3-8-live-launch/)[![Gemini 3.5 Transcribe とは？無料枠あり・85言語対応の文字起こしAI](https://ai-garage.jp/images/news-heroes/gemini-3-5-transcribe-card.webp) 2026/8/27 Gemini 3.5 Transcribe とは？無料枠あり・85言語対応の文字起こしAI](https://ai-garage.jp/news/gemini-3-5-transcribe/)[![Hugging Face、ASRリーダーボードに『ベンチマクサー忌避剤』を投入。ズル対策が一段階えぐくなったよ](https://ai-garage.jp/images/news-heroes/asr-benchmaxxer-repellant-card.webp) 2026/5/6 Hugging Face、ASRリーダーボードに『ベンチマクサー忌避剤』を投入。ズル対策が一段階えぐくなったよ](https://ai-garage.jp/news/asr-benchmaxxer-repellant/) 📎 SOURCES ## 一次ソース - [→ OpenAI Whisper（GitHub 公式リポジトリ）](https://github.com/openai/whisper) - [→ Robust Speech Recognition via Large-Scale Weak Supervision (Radford et al., 2022)](https://arxiv.org/abs/2212.04356) 技術 カテゴリの用語 [Attention（注意機構）](https://ai-garage.jp/glossary/attention/)[Diffusion Model（拡散モデル）](https://ai-garage.jp/glossary/diffusion/)[Embeddings（埋め込みベクトル）](https://ai-garage.jp/glossary/embeddings/)[LoRA](https://ai-garage.jp/glossary/lora/)[max_tokens（出力の上限設定）](https://ai-garage.jp/glossary/max-tokens/)[Mixture of Experts（MoE）](https://ai-garage.jp/glossary/mixture-of-experts/)[RAG（検索拡張生成）](https://ai-garage.jp/glossary/rag/)[TPS（Tokens Per Second）](https://ai-garage.jp/glossary/tps/)[Transformer](https://ai-garage.jp/glossary/transformer/)[TTFT（Time to First Token）](https://ai-garage.jp/glossary/ttft/)[ファインチューニング](https://ai-garage.jp/glossary/fine-tuning/)[ベクトルDB](https://ai-garage.jp/glossary/vector-db/)[マルチモーダル](https://ai-garage.jp/glossary/multimodal/)[音声クローン](https://ai-garage.jp/glossary/voice-clone/)[強化学習](https://ai-garage.jp/glossary/reinforcement-learning/)[蒸留（Distillation）](https://ai-garage.jp/glossary/distillation/)[量子化](https://ai-garage.jp/glossary/quantization/) [← 前の用語 音声クローン](https://ai-garage.jp/glossary/voice-clone/) [次の用語 → 強化学習](https://ai-garage.jp/glossary/reinforcement-learning/) NEXT [FOR BEGINNERS AI初心者ガイド 用語が多くて混乱したら、まず全体像から。AI初心者が「何から始める？」を5分で。](https://ai-garage.jp/beginners/) [GLOSSARY AI用語集 一覧へ 96語をカテゴリ・検索で引ける。気になる用語をまとめてチェック。](https://ai-garage.jp/glossary/)