「うるさい場所だとAI英会話が聞き取ってくれない」という話は、原因がひとつではない。
雑音そのものが悪いのか、雑音を消す処理が悪いのか、マイクの置き方が悪いのか。
この3つは、打つ手がまったく逆方向になる。
しかも音声認識の部品を売っている会社の公式ドキュメントは、「ノイズ除去をかけてから送るな」とはっきり書いている。
多くの人が良かれと思ってやることが、公式の推奨と反対を向いている。
この記事では、AIの音声部品を売っている会社の開発者向けドキュメントの記述だけを材料にして、ノイズがAI英会話のどこを壊しているのかを開けていく。
サービスの順位づけはしない。仕組みの話だけをする。
【結論】AI英会話のノイズは「消してから送る」と逆に精度が落ちる
先に答えを置く。
Google Cloud の音声認識の公式ベストプラクティスには、こう書いてある。
「applying noise-reduction signal processing to the audio before sending it to the service typically reduces recognition accuracy. The service is designed to handle noisy audio.」（Best practices・Google Cloud Speech-to-Text）
訳すと「音声をサービスへ送る前にノイズ低減の信号処理をかけると、ふつうは認識精度が下がる。サービスはノイズの多い音声を扱えるように設計されている」となる。
⇒ ノイズは「後から消すもの」ではなく「そもそも入れないもの」だ。
同じページは、無効にすべき処理を名指しで並べている。
- All noise reduction processing should be disabled.＝ノイズ低減処理はすべて無効にする。
- Do not use automatic gain control (AGC).＝自動ゲイン調整を使わない。
- Avoid audio clipping.＝音割れを避ける。
3つとも「音をきれいにする機能を切れ」という方向を向いている。
理由は単純で、認識する側のモデルは「加工されていない生の音」を前提に学習しているからだ。
AI英会話のノイズ対策で公式がいちばん先に書くのは「マイクの距離」
では公式は何を勧めているのか。
同じベストプラクティスの原文はこうだ。
「The recognizer is designed to ignore background voices and noise without additional noise-canceling. However, for optimal results, position the microphone as close to the user as possible, particularly when background noise is present.」
⇒ 追加のノイズキャンセルは要らない。代わりにマイクを口へ近づけろ、という指示だ。
これは学習者の側で今日から変えられる、いちばん安い手でもある。
| 公式が勧めていること | 公式が止めていること |
|---|---|
| マイクを話す人にできるだけ近づける | 送信前のノイズ低減処理 |
| 音割れ（クリッピング）を避ける | 自動ゲイン調整（AGC） |
| サンプル音声を自分の耳で聞いて確認する | ロッシー圧縮での録音・伝送 |
| 16000 Hz のサンプリングレート | 不要なリサンプリング |
表の右側は、スマホやパソコンが「親切のつもりで」既定でオンにしている機能と重なる。
ビデオ会議アプリのノイズ抑制、イヤホン側の環境音カット、OSの音量自動調整がそれにあたる。
AI英会話は「他人の声」もノイズとして捨てている
ノイズという言葉から想像するのは、エアコンの音や車の音だろう。
ところが公式ドキュメントのノイズは、もっと広い。
「Multiple people talking at the same time, or at different volumes may be interpreted as background noise and ignored.」
⇒ 同時に話している複数の人の声、あるいは音量の違う声は、背景ノイズと解釈されて無視されることがある。
つまりカフェで隣の会話が聞こえる状況は、機械にとっては「雑音」ではなく「音量の小さい別の話者」だ。
そして小さいほうが捨てられる。
問題は、マイクから遠い位置で話していると、自分の声のほうが「小さいほう」になりうるという点だ。
同じページは、複数人を録るなら「各人を別チャンネルで録って、チャンネルごとに送れ」とも書いている。
ひとつのマイクに混ざってしまった音は、あとから分けられないという前提がここにある。
エコーはAI英会話でノイズと同じ棚に置かれている
反響も、公式では雑音と並べて書かれている。
「Excessive background noise and echoes may reduce accuracy, especially if a lossy codec is also used.」
⇒ 過剰な背景ノイズとエコーは精度を下げる。とくにロッシーなコーデックを併用しているときは。
読み落としてはいけないのは「especially if」の部分だ。
公式はエコー単独ではなく、エコーと圧縮が重なったときを、もっとも条件の悪い組み合わせとして名指ししている。
- 風呂場のようによく響く部屋＝反射音が本来の声に重なる。
- スピーカーから出たAIの声を、自分のマイクが拾い直す＝回り込み。
- その音をさらに圧縮して送る＝重なった音を復元できなくなる。
イヤホンを使うだけで、3つ目のうち回り込みの経路は物理的に消える。
AI英会話のノイズ耐性は録音形式で変わる｜圧縮の話
公式はコーデックについても具体的に書いている。
「Using mp3, mp4, m4a, mu-law, a-law or other lossy codecs during recording or transmission may reduce accuracy.」
そのうえで「帯域を節約するためにどうしてもロッシーを使うなら、AMR_WB、次に OGG_OPUS の順で勧める」と続く。
| 形式 | ロスレスか | 公式の注記 |
|---|---|---|
| LINEAR16（Linear PCM） | はい | 16ビットのリニアPCM。ヘッダーにサンプルレートが必要 |
| FLAC | はい | ストリームでは16ビットまたは24ビットが必要 |
| AMR_WB | いいえ | サンプルレートは 16000 Hz |
| OGG_OPUS | いいえ | 8000／12000／16000／24000／48000 Hz のいずれか |
| MULAW | いいえ | 8ビットPCM |
サンプリングレートについては「可能なら音源側を 16000 Hz に設定せよ」と書かれている。
音楽用のCDが 44100 Hz なのに対し、会話の再現にはその半分以下で足りるという整理だ（Audio encoding・Google Cloud）。
ここが効いてくるのは、通話アプリ経由でAI英会話をつなぐときだ。
電話回線を通した音声は 8000 Hz まで削られることがあり、その段階で高い周波数の情報はもう戻らない。
AI英会話がノイズで会話の切れ目を誤判定する仕組み
ノイズが壊すのは、聞き取りの精度だけではない。
「いま話し終わったか」を判定する部品も、音の大きさを見ている。
OpenAI の音声活動検出（VAD）の公式ドキュメントには、次の3つの設定値が並んでいる（Voice activity detection・OpenAI）。
| 設定 | 公式の説明 | 例に出ている値 |
|---|---|---|
threshold | 作動のしきい値（0〜1）。高くすると作動により大きな音が必要になり、うるさい環境ではそのほうがうまくいくことがある | 0.5 |
prefix_padding_ms | 発話が検出される前の音声をどれだけ含めるか | 300 |
silence_duration_ms | 発話の終わりと判定する無音の長さ。短いほど速く切られる | 500 |
threshold の説明文に「might perform better in noisy environments」と書いてあるのが重要だ。
⇒ うるさい環境では、しきい値を上げる＝小さい音を無視する、という方向が公式の想定になっている。
裏を返すと、しきい値が低いままうるさい部屋で使えば、物音のたびに「誰かが話し始めた」と判定される。
AIが急に黙る、話の途中で割り込まれる、といった症状の一部はここから来ている。
同じページには、無音の長さではなく話の内容で切れ目を決める semantic_vad という別方式も書かれており、こちらは eagerness を low にすると割り込みにくくなるとされている。
AI英会話の指示文でノイズを無視させるという手
設定値のほかに、指示文（プロンプト）で対処する道もある。
OpenAI の音声モデル向けプロンプト設計ガイドには「Silence and background noise」という項目があり、そのまま使える文例が載っている（Prompting GPT-Live・OpenAI）。
- 「Keep listening while the user pauses to think.」＝考えるために黙っているあいだも聞き続けろ。
- 「Do not treat a cough, music, or nearby conversation as a new request.」＝咳、音楽、近くの会話を新しい要求として扱うな。
咳・音楽・近くの会話という3つが、公式の文例に名指しで入っている。
それだけ現場で起きているということだ。
ただしこのガイドは、この文を「Use this if testing shows the assistant reacts to pauses or unrelated sounds.」＝テストで実際に誤反応が出たときにだけ足せ、と条件付きで示している。
同じガイドは別の場所で「Prompts do not guarantee exact capture.」とも書いており、指示文は保証ではないという立場をとっている。
ノイズの多い環境をAI英会話に覚えさせるという別ルート
3つ目の道が、認識モデルそのものを自分の環境に合わせて作り直す方法だ。
Microsoft のカスタム音声モデルの公式ガイドは、音声データを学習させる目的をこう書いている。
「若干のアクセント、話し方、背景ノイズのような音響的な側面を改善するため」（カスタム音声モデルのテストとトレーニング・Microsoft Learn）。
⇒ 背景ノイズは、消す対象であると同時に「学習させる対象」でもある。
ただし同じページは、限界もはっきり書いている。
「音量が小さかったり、邪魔な背景ノイズが入っていたりするオーディオは役には立ちませんが、カスタム モデルが制限されたり損なわれたりすることはありません。オーディオ サンプルを収集する前に、マイクと信号処理ハードウェアのアップグレードを常に検討してください」。
⇒ 学習でごまかす前に、マイクを替えろ、という順番がここでも出てくる。
なお同ページは、サンプル音声には「音声の前後に少なくとも0.5秒の無音部分を含める」ことも求めている。
AI英会話のノイズで、学習者の側が実際にできること
ここまでの公式の記述を、手元の行動に落とすとこうなる。
- マイクを口に近づける。公式が最初に挙げている手であり、機材を買わずにできる。
- スピーカーではなくイヤホンで聞く。AIの声が自分のマイクへ戻る経路を断てる。
- アプリ側にノイズ抑制や自動音量調整の設定があるなら、切って試す。公式は送信前の加工を止める側に立っている。
- 音楽やテレビを消す。公式の文例が名指ししている誤反応の原因だ。
- よく響く部屋を避ける。エコーは圧縮と重なると効きが強くなる。
- 大声を出しすぎない。音割れは公式が避けよと書いている状態だ。
どれも「AIに慣れる」ではなく「入口の音を替える」側の手であることに注意してほしい。
ノイズの問題は英語力の問題ではないので、発音を直しても解決しない。
ノイズとAI英会話に関するよくある質問
Q. ノイズキャンセリング機能のあるイヤホンを使えば認識はよくなるのか。 A. 公式が止めているのは「サービスへ送る前にかけるノイズ低減の信号処理」だ。原文は「applying noise-reduction signal processing to the audio before sending it to the service typically reduces recognition accuracy」で、送信経路に入る加工は精度を下げる側に置かれている。耳で聞く側の消音と、マイクが拾った音への加工は別物なので、切り分けて考える必要がある。
Q. カフェでAI英会話を使うのは無理なのか。 A. 公式は「The recognizer is designed to ignore background voices and noise without additional noise-canceling」と書いており、背景の声や雑音を無視する前提で設計されているとしている。そのうえで最適な結果のためにマイクを近づけよと続く。無理かどうかではなく、マイクの距離で条件が変わる、というのが公式の書き方だ。
Q. 家族の声が入ると自分の英語まで認識されなくなるのはなぜか。 A. 公式は「Multiple people talking at the same time, or at different volumes may be interpreted as background noise and ignored」と書いている。同時発話や音量差のある声は背景ノイズとして無視されうる。自分がマイクから遠いと、無視される側が自分になる。
Q. 物音のたびにAIが話し始めるのを止められるか。 A. 音声活動検出の threshold は「A higher threshold will require louder audio to activate the model, and thus might perform better in noisy environments」と説明されている。設定がアプリ側に開放されていれば上げる方向が公式の想定だ。開放されていない場合は、環境側で音を減らすしかない。
Q. 通話アプリ越しにAI英会話を使うと精度が落ちるのはなぜか。 A. 公式は mp3・mp4・m4a・mu-law・a-law などのロッシーなコーデックを録音や伝送に使うと精度が下がりうると書いている。さらに「Excessive background noise and echoes may reduce accuracy, especially if a lossy codec is also used」とあり、圧縮と雑音が重なる条件を、もっとも条件の悪い組み合わせとして挙げている。
まとめ｜ノイズはAI英会話で「消す」より「入れない」
もう一度整理する。
- 公式は送信前のノイズ低減を「無効にせよ」と書いている。良かれと思った加工が精度を下げる。
- 代わりに勧められているのはマイクを近づけること。自動ゲイン調整と音割れも止める対象だ。
- 他人の声もノイズに入る。同時発話や音量差のある声は無視されうる。
- エコーは圧縮と重なると効く。イヤホンにすると回り込みの経路が消える。
- ノイズは会話の切れ目判定も壊す。
thresholdの説明文に「うるさい環境では高いほうがうまくいくことがある」と書かれている。
⇒ ノイズの問題は、英語力ではなく入口の音の作り方の問題だ。そう分かると、練習を止めて先に直すべきものが見える。
※本記事の一次ソースはすべて2026-09-17に各公式ドキュメントで確認した。仕様は更新されるため、最新は各公式ドキュメントで確認してほしい。
Comments