AI英会話の中では、こちらが話した1回の英語に対して認識候補が複数本作られています。
画面に出るのはそのうちの1本だけで、2位以下は捨てられるか、裏で別の用途に回る。
この仕組みを知らないと、表示された文字が「AIが聞き取った唯一の答え」だと勘違いします。
この記事ではGoogle Cloud Speech-to-Text のドキュメントにある候補の返し方を根拠に、何本まで返るのか、2位以下は何に使えるのかを分解しました。
扱うのは仕組みの話だけで、特定のアプリを勧める内容は入っていません。
取得日は2026年9月25日。
仕様は改定されるため、上限の数字は必ず公式の表で読み直してください。
【結論】AI英会話の認識候補は、裏に複数あって1本だけ表示される
先に結論を置きます。
AI英会話の認識候補は裏で複数本まで作れる仕組みになっています。
- 候補の本数は、認識を呼ぶ側が指定できる（既定は1本）
- 候補ごとに確からしさの数値が付く場合がある
- 表示は1本だけなので、使う側からは複数あることが見えない
つまり、画面の文字が書き換わる現象は、途中の結果から最終の結果へ乗り換えた結果です。
そして2位の候補のほうが正しいことも珍しくないのに、学習者向けアプリは2位を見せません。
見せると迷うからで、設計としては正しい判断でしょう。
ただし、うまく聞き取られない理由を探すときには、この裏側が分かっていると早いです。
順番に分解します。
AI英会話の認識候補とは何か｜文字起こしの1位と2位
候補が生まれる理由
音声認識は、音の並びから文字列を当てる作業です。
1つの音の並びに合う文字列は、たいてい複数あります。
認識の仕組みは、そのすべてに点数を付けて順番に並べます。
- 音として近い＝write と right のように同じ音で綴りが違う
- 切れ目が違う＝ice cream と I scream のように区切りが動く
- 機能語が弱い＝and が n に潰れて消える
この並びの上から順に、1位・2位・3位と呼ばれるものが認識候補です。
点数は、音の近さと、言葉として自然かどうかの2つを掛け合わせて作られます。
前者だけなら write と right は同点になり、後者が入ることで前後の文に合う側が上がる。
だから短い一言より、長めの文のほうが順位は安定します。
画面に出るのは1本だけ
アプリの画面には、原則として1位だけが出ます。
複数を並べるとどれが正解か使う側が判断できないので、1本に絞るのが標準の作りです。
開発者向けの入口では、この本数を指定できます。
学習者向けのアプリは、その指定を既定のままにしているものがほとんどでしょう。
表示が1本に見えるのは、候補が1本しか作られていないからではありません。
1位の当たり具合をどう測るかは、精度の記事で分解しました。↓
候補が何本あるかという話と、1位がどれだけ当たるかという話は、別の指標です。
AI英会話の認識候補は何本まで返るのか｜上限の指定
指定の仕方
Google Cloud Speech-to-Text では、候補の最大本数を設定値で渡します。
既定は1本で、明示的に増やさなければ2位以下は返りません。
| 設定 | 意味 | 既定 |
|---|---|---|
| 最大候補数 | 返す候補の本数の上限 | 1本 |
| 確からしさの数値 | 候補ごとの点数を返すか | 条件により付く |
| 単語ごとの情報 | 時刻や信頼度を単語単位で返すか | 1位が対象 |
大事なのは増やしても認識が良くなるわけではないという点です。
候補を増やすのは、選び直す材料を受け取るための指定にすぎません。
増やすと何が起きるか
返ってくるデータの量が増え、処理する側の手数も増えます。
- 通信量が増える（候補の本数だけ文字列が増える）
- 選ぶ処理を自分で書く必要がある
- 選び方を間違えると1位より悪い結果になる
だから既定が1本になっている、という設計の理由が見えてきます。
候補を増やして得をするのは、選び直す基準を持っている側だけ。
教材の英文という正解を持っている読み上げ課題は、その基準を持っています。
正解が無い自由会話では、候補を増やしても捨てるだけ。
会話の相手をしているAIは、文字起こしの1位をそのまま受け取って返事を作ります。
つまり自由会話では、1位が外れた時点で噛み合わない。
返事がずれたと感じたときは、まず表示された文字を読み直すのが早いです。
使う側に選ぶ基準が無いなら、1位をそのまま出すのがいちばん安全でしょう。
AI英会話の認識候補に付く数字｜信頼度との関係
候補には、確からしさの数値が付く場合があります。
この数値は「どれくらい自信があるか」を表すもので、正解率の保証ではありません。
- 付く場所＝候補ごとに1つ
- 範囲＝0から1までの小数で返る
- 意味＝その候補を選んだ確からしさ
同じ0.9でも静かな部屋と雑音の中では意味が違うため、絶対値で比べるのは危険です。
使い方としては、同じ音声の候補どうしを比べる材料にとどめます。
この数値そのものの読み方は、信頼度スコアの記事にまとめました。↓
候補の順位は、この数値の大小で決まります。
逆に言えば、順位が入れ替わる場面は数値が近いときだけ。
1位と2位の差が小さいほど、聞き取りが迷っている状態です。
迷いが生まれる原因は、発音そのものよりも録音の条件にあることが多い。
雑音・反響・マイクの距離の3つで、数値は簡単に動きます。
- 雑音＝空調やテレビの音が重なると候補が増える
- 反響＝広い部屋では同じ音が2回届く
- 距離＝口から離れるほど子音が薄くなる
逆に言えば、同じ文を静かな部屋で読み直すだけで順位が入れ替わることもあります。
AI英会話の認識候補が分かれる場面｜同じ音で別の綴り
英語の音は重なる
英語には、同じ音で別の意味になる語がたくさんあります。
- there・their・they’re の3つ
- to・too・two の3つ
- its・it’s の2つ
音だけで区別できないので、前後の文脈で決めるしかありません。
この決め方が外れたとき、2位の候補のほうが正しくなります。
数字と固有名詞は特に分かれる
数字は読み方の型が複数あり、候補も分かれます。
人名や社名のような固有名詞は辞書に無いと近い音の別語に化けるので、候補の上位が全部外れることもあります。
このとき役に立つのが、認識側に語を教える仕組みです。
固有名詞を通す手は、カスタム語彙の記事で分解しました。↓
候補を増やすより、先に語を教えるほうが早いです。
語を教える仕組みは、認識のたびに候補の並べ替えへ効いていく。
自分の名前や勤務先が毎回化けるなら、まず登録を疑うのが順番です。
AI英会話の認識候補を使う側の設計｜どれを採点に回すか
アプリを作る側には、候補をどう扱うかの選択があります。
| やり方 | 長所 | 短所 |
|---|---|---|
| 1位だけ使う | 単純で速い | 聞き間違いをそのまま採点する |
| 候補を教材と突き合わせる | 読み上げ課題に強い | 自由会話では使えない |
| 候補を全部見せる | 透明性が高い | 使う側が迷う |
読み上げの課題では、2番目のやり方が向いています。
教材の英文が分かっているなら候補の中から教材に近いものを選べるので、聞き間違いによる誤採点が減ります。
自由会話では正解が無いため、この手は使えません。
だから同じアプリでも、課題の種類によって裏の作りが変わります。
採点が甘い・厳しいと感じる差の一部は、ここから生まれています。
同じ発音でも、候補の選び方が違えば採点の入り口が変わる。
そのため、2つのアプリの点数を直接比べるのは意味が薄いです。
- 同じ日・同じ部屋・同じ端末で測る
- 同じ英文を使う
- 点数ではなく、化けた語の数を見る
比べるなら、同じアプリの中で日をまたいだ自分の点数だけにしてください。
AI英会話の認識候補が1本しか無いサービス｜APIによる差
候補を複数返すかどうかは、使っている部品によって違います。
- 複数返せる＝候補の本数を指定できる入口がある
- 1本だけ＝結果の文字列を1つしか返さない入口
- 会話に組み込む型＝結果を即座に次の処理へ渡すので候補を持ち回らない
会話をそのまま続ける型では候補を選ぶ余裕が無いという制約があります。
遅延を短くするほど、選び直す時間は取れません。
リアルタイムの会話と、あとから見直す文字起こしで、作りが分かれる理由もここです。
経路ごとの違いは、文字起こしの記事に整理しました。↓
復習用の文字起こしのほうが、候補を選び直す余地は大きいです。
あとから処理する形なら、待ち時間を数秒伸ばしても会話は崩れません。
その数秒で、候補の並べ替えと整形を挟むことができます。
AI英会話の認識候補が学習で役に立つ場面
学習者の側で候補を直接見ることは、ほとんどできません。
それでも、この仕組みを知っていると得をする場面が3つあります。
- 表示が書き換わったとき＝迷っている音だと分かる
- 同じ語が何度も別の語になるとき＝その音が自分の弱点
- 固有名詞が化けるとき＝発音ではなく辞書の問題
とくに2つ目が大きく、何度も同じ語が化けるなら練習の的はそこだと決められます。
自分の録音を文字起こしにかけて、化けた語を記録するだけでも十分です。
ここまでは、特別な道具を使わずに確かめられます。
逆に、候補の数値そのものを追いかけても、学習には直結しません。
数値は録音条件に引っぱられるので、日によって上下する。
追いかけるなら、化けた語の一覧という言葉のほうが役に立ちます。
AI英会話の認識候補で誤解しやすい3点
候補が多いほど賢いのか
違います。
候補の本数は指定値で、賢さとは無関係です。
2位を選べば精度が上がるのか
上がりません。
平均すれば1位がいちばん当たるので、基準なしに2位を選ぶと悪化します。
候補は自分の発音の採点に効くのか
効きません。
採点は別の仕組みで動いていて、候補の順位とは切り離されているのが標準の作りです。
この3つを混ぜると、原因の切り分けができなくなります。
AI英会話の認識候補を自分で確かめる手順
使う側でも、近いところまでは確かめられます。
- 同じ英文を3回、同じ環境で読み上げる
- 出てきた文字を毎回そのまま記録する
- 3回で違った語だけを抜き出す
3回で違った語が、候補が分かれている場所です。
環境を変えて同じことをすれば、雑音の影響も切り分けられます。
- 1回目＝静かな部屋で、口から20センチ
- 2回目＝同じ部屋で、口から50センチ
- 3回目＝生活音のある部屋で、口から20センチ
ここで大事なのは、1回の結果で判断しないこと。
1回ぶんの表示は、候補の1位が出ているだけにすぎません。
3回そろえて初めて、迷っている場所と安定している場所が分かれます。
安定して同じ文字が出る語は、いまの発音で通じている語です。
毎回違う文字になる語だけを練習に回せば、時間の使い方が変わる。
記録は紙でもメモアプリでもよく、続けられる形を選んでください。
AI英会話の認識候補で確かめた一次情報の置き場
この記事で読んだ場所を残します。
- Google Cloud Speech-to-Text のドキュメント＝候補の本数と確からしさの返し方
- OpenAI の音声認識ドキュメント＝結果の形と受け取れる項目
- Android の開発者向け資料＝端末側の認識が返す結果の形
読んで分かったのは、候補の本数の上限は公開されている一方で、順位の付け方の中身は公開されていないことです。
順位が動く境目は外からは測れないと考えるのが安全でしょう。
取得日は2026年9月25日。
数字と設定名は、必ず公式の表で読み直してください。
AI英会話の認識候補のよくある質問
2位の候補は見られるのか
学習者向けアプリでは、ほぼ見られません。
開発者向けの入口を自分で叩けば受け取れます。
候補は何本まで指定できるのか
Google の入口では上限が決まっています。
- 既定は1本
- 増やせるが、増やすほど返るデータが増える
- 上限の数字は改定されるので公式の表で確認する
上限まで増やす意味は、ほとんどの用途ではありません。
候補が分かれるのは自分の発音が悪いからか
必ずしもそうではない、というのが仕組みからの答えです。
同じ音で綴りが違う語は、誰が読んでも分かれます。
雑音を消せば候補は1本になるのか
近づきますが、1本にはなりません。
語の重なりは音の質とは別の問題です。
まとめ｜AI英会話の認識候補で押さえる3点
最後に3点だけ残します。
- 候補は裏で複数作られていて、画面に出るのは1位だけ
- 本数は指定値で、増やしても認識そのものは良くならない
- 同じ語が何度も化けるなら、そこが練習の的になる
この3つが分かっていれば、表示された文字を鵜呑みにせずに使えます。
候補の順位を決めている数値そのものを分解した記事です。
数値の読み方まで分解した記事
あわせて読みたい記事も置いておきます。
雑音がどこまで効くかは、ノイズの記事にまとめました。↓
参考文献も以下にまとめます。
- Speech-to-Text ドキュメント（Google Cloud 公式サイト）
- Speech to text ガイド（OpenAI 公式サイト）
- SpeechRecognizer リファレンス（Android Developers 公式サイト）
Comments