英語の音声認識はどう動いているのか。認識される・されないを決めている4つの条件を分解した

公開日 2026年9月10日(木) 22:39更新日更新なし

英語を話しかけたのに、まったく違う単語が画面に出る。

もう一度ゆっくり言い直しても、また違う。

このとき多くの人は「自分の発音が悪いからだ」と結論する。

だが、その結論に飛ぶ前に確かめられることが、仕組みの側にいくつもある。

英語の音声認識は1種類ではないし、条件によって同じ声でも結果が変わる。

この記事では、音声認識を売っている会社が公開している開発者向けドキュメントの記述だけを材料にして、認識される・されないを決めている条件を分解する。

TOC

英語の音声認識は「音を文字に変える」だけの部品である

まず位置づけをはっきりさせる。

AI英会話アプリの中身は、3つの部品が直列につながった形をしている。

段	部品	役割
①	音声認識（Speech to Text）	声を英文テキストに変える
②	言語モデル（LLM）	そのテキストを読んで返事を作る
③	音声合成（Text to Speech）	返事を音声にして再生する

この3つは別々の製品として売られている。マイクロソフトは音声テキスト変換とテキスト読み上げを別ドキュメントで提供しているし、グーグルの Cloud Speech-to-Text と Cloud Text-to-Speech も別サービスだ。

英語の音声認識が担当しているのは①だけ。 意味を理解しているのは②で、声を返しているのは③だ。

⇒ だから「返事がおかしい」ときと「聞き取ってもらえない」ときでは、疑う場所がまったく違う。

画面に出た英文が自分の言ったことと違っていれば①の問題、英文は合っているのに返事が変なら②の問題。ここを分けるだけで、原因の半分は絞れる。

英語の音声認識は1種類ではない｜15のロケールに分かれている

ここがいちばん知られていない事実だ。

マイクロソフトの言語サポート一覧を見ると、音声テキスト変換の「英語」は次のロケールに分かれている（Azure AI Speech の言語サポート・2026-09-08取得）。

ロケール	言語
`en-AU`	英語（オーストラリア）
`en-CA`	英語（カナダ）
`en-GB`	英語（イギリス）
`en-GH`	英語（ガーナ）
`en-HK`	英語（香港特別行政区）
`en-IE`	英語（アイルランド）
`en-IN`	英語（インド）
`en-KE`	英語（ケニア）
`en-NG`	英語（ナイジェリア）
`en-NZ`	英語（ニュージーランド）
`en-PH`	英語（フィリピン）
`en-SG`	英語（シンガポール）
`en-TZ`	英語（タンザニア）
`en-US`	英語（米国）
`en-ZA`	英語（南アフリカ）

合計15のロケール。

つまり「英語の音声認識」というひとかたまりの機械があるのではなく、どの英語を前提にした機械なのかが、最初に選ばれている。

そして、同じドキュメント群の中でマイクロソフト自身がこう書いている。

「複数のロケールを持つ言語に設定するロケールがわからない場合は、各ロケールを個別に試してください。（中略）シナリオに対してどのロケールがより高いスコアを持つかを判断します。」

（Azure AI Speech 発音評価のドキュメント）

公式が「試して選べ」と書いている。 これは、ロケールによって結果が変わることを前提にした記述だ。

⇒ 認識されないときに最初に疑うべきは発音ではなく、いまどのロケールで動いているかである。

英語の音声認識が結果を変える条件①｜参照テキストがあるかどうか

2つ目の条件は、機械が「あなたが何を言うつもりか」を先に知っているかどうかだ。

読み上げ課題のように、正解の英文が先に決まっている場合と、自由に話す場合とでは、動いているモデルそのものが違う。

マイクロソフトの発音評価ドキュメントには、はっきりこう書かれている。

「スクリプトなしの評価では、使用される音声テキスト変換 (STT) モデルは、STT Azureとは異なります。非常に正確に認識されたテキストに基づく評価が必要な場合は、最初にAzure STT を呼び出して参照テキストを取得してから、スクリプト化された評価を実行することをお勧めします。」

⇒ 正解の英文がある状態のほうが、認識も採点も安定する。

これは実用上とても大きい。

「自由会話だと全然認識されないのに、読み上げ課題だとちゃんと通る」という体験は、あなたの発音が場面で変わったからではなく、機械側が別の条件で動いているからである可能性がある。

英語の音声認識が結果を変える条件②｜音声の長さとファイルの上限

3つ目は、単純な入力の上限だ。

OpenAI の音声認識ガイドには、扱えるファイルについて「Files can be up to 25 MB」と書かれており、対応フォーマットは mp3 mp4 mpeg mpga m4a wav webm と列挙されている（OpenAI Speech to text ガイド・2026-09-08取得）。

マイクロソフト側にも長さの区切りがある。発音評価のドキュメントには「オーディオファイルが 30 秒を超える場合は、処理に連続モードを使用します」とあり、30秒が処理方式の切り替え点として扱われている。

⇒ 長く話し続けると、途中で処理の枠が変わる。

長い発話の後半で急に認識が崩れる、という現象は、この境目に当たっている可能性がある。

対策は単純で、一度に長く話しすぎない。区切って話したほうが、機械の側の条件がそろう。

英語の音声認識が結果を変える条件③｜どこまで細かく見ているか（粒度）

4つ目は、機械がどのレベルまで音を分解しているかだ。

発音評価では Granularity（粒度）という設定があり、公式ドキュメントには次のように書かれている。

「使用できる値は Phoneme で、フルテキストレベル、word、音節、音素レベル、Word(フルテキストレベルとword レベルのスコアを示す)、または FullText (フルテキストレベルでのみスコアが表示されます) が表示されます。」

つまり、音素（Phoneme）→ 音節 → 単語 → 全文という4段の粒度がある。

そして重要なのが、細かい粒度はすべての英語で使えるわけではないという点だ。同じドキュメントには次の制限が書かれている。

音節グループは「IPA と SAPI を使用した en-US でのみ」サポートされる。
音素名は「IPA を使用した en-US での音素名と、SAPI を使用した en-US および zh-CN での音素名」がサポートされる。「他のロケールでは、音素スコアのみを取得できます」。
「プロソディ評価は、en-US ロケールでのみ利用可能です。」

⇒ 「どの音がどう崩れているか」まで返ってくるのは、実質的に米国英語だけ。

イギリス英語やオーストラリア英語で練習していて、フィードバックが粗いと感じるなら、それは機械の手抜きではなく仕様の差である。

英語の音声認識は「一致度」で判定している｜60点という線

もう一段だけ中を開ける。

音声認識は、あなたの音を音素という最小単位まで割って、期待される音素とどれくらい一致したかを数値で持っている。

公式ドキュメントに載っている実例が分かりやすい。単語 hello を読み上げたときの結果として、次のような判定が返る。

2番目の音素として期待されるのは ɛ。
しかし実際にいちばん可能性が高いと判定されたのは ə（スコア100）。
期待された ɛ のスコアは47しかなかった。

これが「日本語なまりだと言われる」の正体に近い。あなたが出した音が、別の音素として認識されているという状態だ。

そして単語レベルでは、判定の線がはっきり決まっている。

「単語の発音Mispronunciationが 60 未満の場合は、エラーの種類をAccuracyScoreできます。」（訳文のまま）

⇒ 60点が「発音ミス」と判定される境界として使われている。

さらに全体の点数の出し方まで公開されている。読み上げでプロソディ評価があるときは PronScore = 0.4 × s0 + 0.2 × s1 + 0.2 × s2 + 0.2 × s3 で、s0（いちばん低い項目）に最大の重みがかかる。

⇒ 総合点を上げたいなら、得意な項目を伸ばすより、いちばん低い項目を1つ潰すほうが式のうえで効く。

英語の音声認識が「聞き取れなかった」ときに確かめる順番

ここまでの仕様から、そのまま手順が作れる。上から順に確かめる。

画面に出た英文を見る。 自分の言ったことと違うなら音声認識（①）の問題。合っているのに返事が変なら言語モデル（②）の問題。ここを最初に分ける。
ロケールを確認する。 英語は15のロケールに分かれている。目指す英語に合っているか。合っていなければ変えて試す。
読み上げ課題で同じ単語を試す。 参照テキストありのほうが安定すると公式が言っている。ここで通るなら、発音ではなく条件の問題だった可能性が高い。
一度に話す長さを短くする。 30秒が処理方式の切り替え点になっている。
マイクと雑音を疑う。 音声認識は音の一致度を見ているので、入力が濁っていれば一致度は下がる。
それでも同じ単語だけ落ちるなら、そこが本当の弱点。 音素単位で別の音として認識されている状態なので、その音だけを練習対象にする。

⇒ 1〜5を飛ばして「発音が悪い」と決めない。 5つのうち4つは、口ではなく設定の話だ。

英語の音声認識についてよくある質問

Q. 英語の音声認識はどのアプリでも同じものを使っているのか。 A. 違う。音声認識は各社が別々の製品として売っている部品で、アプリごとにどれを採用しているかが変わる。同じ声でもアプリによって結果が違うのは、そのためだ。

Q. なぜイギリス英語だとフィードバックが粗いのか。 A. 音節グループや音素名は en-US に限定され、プロソディ評価も en-US のみと公式ドキュメントに明記されている（出典）。仕様上の差であって、性能の差ではない。

Q. ゆっくり大きく話せば認識されるのか。 A. 一致度を見ているので、はっきり発音するのは有効だ。ただし極端に引き伸ばすと、単語間の区切り方が変わって流暢さ側の判定が落ちることがある。FluencyScore は「単語間のサイレント区切りの使用にどの程度近づくか」を見ていると公式が説明している。

Q. 認識された英文をコピーして自分で直せば練習になるか。 A. なる。音声認識の出力は、自分の音がどう届いたかの記録そのものだ。ただし言語モデル（②）が後段で意味を補って返事をしてくるので、返事ではなく認識結果のテキストを見る必要がある。

Q. 長く話すと後半が崩れるのはなぜか。 A. 30秒を超えると処理モードが変わる旨がドキュメントに書かれている。加えてファイルサイズにも上限があり、OpenAI 側は「Files can be up to 25 MB」としている。

Q. 音声認識にはお金がかかっているのか。 A. かかっている。マイクロソフトの価格ページには、無料レベルとして音声テキスト変換が毎月5時間ぶん、テキスト読み上げが毎月50万文字ぶんという枠が示されている（Azure AI Speech の価格・2026-09-08取得）。これは開発者向けの枠だが、量に応じて課金される仕組みであることは分かる。