第1回　ガイダンス／音声技術の応用紹介¶

この回の資料

📊 スライドを開く（HTML）
📄 スライド（PDF）
形式：動画回（オンデマンド動画＋CBTテスト）

学習目標¶

この回を終えると、次のことができるようになる：

この授業の全体構成・評価方法・受講ルールを説明できる
音声技術がどのような製品・サービスに使われているかを具体的に挙げられる
音声処理の大まかなパイプライン（流れ）をステップ順に説明できる
この授業で「学ぶこと」と「学ばないこと」を区別できる

このコースの資料は、視覚的な説明（図・図解の文字説明）とテキスト説明を常に両方用意しています。動画は字幕付きで提供します。自分に合ったペースで取り組んでください。

進化の視点：音声技術は、進化が作った装置の再実装である¶

ヒトの声と耳は、設計されたのではなく進化してできた器官である。この授業で扱う技術は、その器官が作る信号を機械で受け取り、器官の分解能に合わせて表現し直し、器官がしている判断を模倣しようとする試みだ。

収音とデジタル化は、鼓膜と蝸牛が担っている「空気の振動を信号に変える」役割に相当する（第3回・第4回）
MFCC は、ヒトの周波数知覚を参考にしたメル尺度を用いて、音声のスペクトルを要約する特徴量である（第5回）
音声認識は、ヒトが雑音の中で声を聞き分ける働きを機械で置き換えようとしている（第9回）

ここでの対応は機能上の比喩であり、耳と機械が同じ方法で信号を処理しているという意味ではない。耳では、鼓膜の機械的な振動が蝸牛の有毛細胞を介して神経の信号に変換される。コンピュータのサンプリング・量子化とは、変換の仕組みが異なる。

この授業の問い：どこまでがヒトの模倣で、どこからが模倣をやめた方が良い設計なのか。各回の「進化の視点」で少しずつ考える。

スライド構成（全17枚）¶

スライド1: タイトル・担当紹介¶

タイトル: 音声処理と認識 ― 第1回：ガイダンス

表示内容: - 科目名・回次・日付 - 担当教員：小野原彩香（連絡先・オフィスアワー） - 授業形式：動画回／オンライン同期回の交互配置

講師メモ: 動画冒頭では、「この回は動画形式です。自分のペースで視聴し、最後のテスト（5問）を受けてください」と一言説明する。視聴の所要時間目安（約40〜50分）も伝える。

スライド2: このコースで何を学ぶのか¶

タイトル: 音声処理と認識 ― 3つの問い

表示内容（3つの大きな問い）: 1. 人間はどのように声を出し、聴き取るのか？ 2. コンピュータはどのように音声を「理解」するのか？ 3. 私たちはその技術を使って何ができるのか？

図解説明（図の代替テキスト）:

3つの問いがそれぞれ矢印でつながれた図。「人間の声」→「デジタル処理」→「応用・設計」という左から右への流れを示している。

講師メモ: この3つの問いが14回すべての軸になることを強調する。「音声認識はただの技術ではなく、人間の認知・言語・UX設計と深く結びついている」というコースの哲学を最初に伝える。

スライド3: シラバスの構成（全14回）¶

タイトル: 授業の全体マップ

表示内容（表形式）:

回	形式	テーマ
1	動画	ガイダンス／音声技術の応用紹介
2	同期	発話・聴覚メカニズムの基礎
3	動画	音声信号とデジタル化（サンプリング・量子化）
4	同期	スペクトログラムの理解と可視化演習
5	動画	音響特徴量（MFCC）の原理とPython実装
6	同期	ピッチ・エネルギー・ゼロ交差などの前処理
7	動画	音声と統計モデル（HMM・GMM）＋自己教師あり表現学習
8	同期	最新ASRモデル（Conformer／Whisper）
9	動画	音声認識システムの構成要素と評価指標（WER・CER）
10	同期	音声インタフェースとUX設計
11	動画	自然言語処理との接続（NLUと音声）
12	同期	音声処理と認知科学・言語学
13	動画	応用事例と社会的インパクト
14	同期	まとめと最終発表

講師メモ: 動画回とオンライン同期回が交互になっていることを視覚的に示す（背景色の交互パターンなど）。

スライド4: 評価方法¶

タイトル: どのように評価されるか

表示内容:

評価項目	割合	内容
小課題・演習	30%	動画回のテスト（各回5問・全7回。繰り返し受験可、最高点を採用）と、同期回の演習課題
期末プロジェクトまたはレポート＋発表	70%	Google Drive に提出。プレゼン録画・レポート・スライドメモなど複数の形式から選択可。第14回に最終発表

補足ルール: - テストは締め切り（各回翌週末23:59）までに完了すること - 不正行為（コピー等）が発覚した場合は評価なし - 期末プロジェクトのテーマ・提出物・評価基準は「期末プロジェクト説明書」を参照

図解説明（円グラフの代替テキスト）:

円グラフ：全体の30%が小課題・演習（薄青）、70%が期末プロジェクト／レポート＋発表（濃青）。

講師メモ: 「テストは繰り返し受験できるが、テストに出る問いは理解を問うものが多い。ただ動画を流し見するだけでは答えられない設計になっている」と伝える。

スライド5: 授業の受け方 ― 動画回¶

タイトル: 動画回の進め方

表示内容（フローチャート）:

[動画を視聴する（30〜40分）]
        ↓
[資料（lecture.md）を読む]
        ↓
[テスト5問を解く（Google Forms）]
        ↓
[事前学習：次回の準備（10〜15分）]

注意事項: - 動画は1.0〜1.5倍速で視聴可（字幕付き） - テストは締め切りまでに何度でも受験可能（最高点が記録される） - 質問はメールで（授業内でまとめて回答）

図解説明:

4ステップの縦フローチャート。各ステップが矢印でつながれ、所要時間の目安が右側に記載されている。

スライド6: 授業の受け方 ― オンライン同期回¶

タイトル: オンライン同期回の進め方

表示内容: - 前半（30分）: 講義（スライドベース・インタラクティブ） - 中盤（20分）: グループワークまたはPython演習 - 後半（10分）: 発表・まとめ・小課題説明

使用ツール: - Zoom（録画を後日公開） - Google Colab（Python演習）

講師メモ: 同期回に参加できない場合は録画を後日視聴できる。小課題はメールまたはGoogle Driveで提出可。

スライド7: 私たちの周りの音声技術¶

タイトル: 音声技術はどこにあるか？

表示内容（6つの代表的応用）:

音声アシスタント（Siri / Alexa / Google Assistant）
スマートフォン・スマートスピーカーに搭載
自然言語でデバイスを操作
音声入力・文字起こし
Google ドキュメント音声入力、Notta、Whisper
議事録の自動生成
自動字幕生成
YouTube の自動字幕、Zoom のライブ字幕
聴覚障害者への情報アクセス支援
テキスト音声合成（TTS）
カーナビのガイダンス、スクリーンリーダー
VoiceVox、Google TTS
医療・臨床応用
嚥下障害・失語症の診断支援
音声による認知機能低下のスクリーニング・早期発見支援（軽度認知障害の検知など）
エンターテインメント・クリエイティブ
AIボイスチェンジャー、歌声合成（VOCALOID）
ゲームキャラクターの音声生成

図解説明:

中央に「音声技術」と書かれた丸があり、6つの応用分野が放射状に配置されたマインドマップ図。

講師メモ: 「普段何気なく使っているものが、この授業で学ぶ技術の上に成り立っている」という実感を持ってもらうことが目的。

スライド8: 注目のケーススタディ ― Amazon Alexa¶

タイトル: Alexa はどのように動いているか

表示内容（処理の流れ）:

[ユーザーが「アレクサ、明日の天気は？」と話す]
        ↓
[マイクで収音し、音声信号をデジタル化]
        ↓
[端末内でウェイクワード検出（"Alexa" を認識）]
        ↓
[検出後の音声をクラウドへ送信]
        ↓
[自動音声認識（ASR）：音声→テキスト変換]
        ↓
[自然言語理解（NLU）：意図・エンティティの抽出]
        ↓
[バックエンド処理（天気APIへの問い合わせ）]
        ↓
[テキスト音声合成（TTS）：返答を音声に変換]
        ↓
[スピーカーから音声で返答]

この図は、クラウドを利用する代表的な構成を簡略化した例である。ウェイクワードの検出は端末内で行われ、検出されるまで音声は端末の外に送られない。端末内で認識まで行う構成もある。

講師メモ: このスライドは「音声処理パイプラインの全体像」の伏線になっている。後のスライドで整理するので、ここでは「こんなに多くのステップがある」という驚きを引き出す。

スライド9: 音声処理パイプラインの全体像¶

タイトル: 音声認識を使うシステムの5ステップ

表示内容（横並びパイプライン）:

[1. 収音]  →  [2. デジタル化]  →  [3. 特徴抽出]  →  [4. 認識・理解]  →  [5. 応用]
  マイク       サンプリング・         MFCC等            HMM・深層         TTS・対話
              量子化                                    学習モデル         システム

各ステップの説明: 1. 収音: マイクロフォンが空気の振動（音波）を電気信号に変換 2. デジタル化: アナログ電気信号を数値の列（デジタル信号）に変換（第3回で詳しく） 3. 特徴抽出: 音声の「特徴量」（MFCCなど）を計算（第5回で詳しく） 4. 認識・理解: 特徴量から、話された内容に対応する文字列を推定する（音声認識、第7〜9回で詳しく）。意図や意味の理解が必要な場合は、さらに自然言語理解（NLU）の処理を行う（第11回） 5. 応用: 認識結果を使ったアプリケーション（第10回・第13〜14回で詳しく）

この5ステップは、音声認識を利用するシステムの代表的な流れである。テキスト音声合成（TTS）のように、収音から始まらない音声処理もある。

図解説明:

5つのボックスが矢印でつながれた横方向のフロー図。各ボックスの下に「授業で扱う回番号」が記載されている。

講師メモ: 「このパイプライン図は授業全体の地図です。迷子になったらここに戻ってきてください」と伝える。

スライド10: 音声認識の精度はどこまで来たか¶

タイトル: 現在の音声認識技術の水準

表示内容: - 単語誤り率（WER: Word Error Rate）: 音声認識の精度指標 - 正解の文字起こしと認識結果を比較し、単語の置換（S）・削除（D）・挿入（I）の合計を、正解の単語数（N）で割る - WER = (S + D + I) ÷ N × 100% - 値が小さいほど、文字起こしの誤りが少ない。挿入も数えるため、100%を超えることもある - 例：正解「今日／は／いい／天気／です」（5語）に対し、1語が別の語に置き換わり、削除・挿入がなければ WER = 1 ÷ 5 × 100% = 20%

現在の水準:
音声認識は、一部の評価条件では人間の文字起こしに近い性能を示している
ただし誤り率は、言語・話者・録音環境・会話の種類・評価方法によって大きく変わる
性能を比較するときは、同じ条件で評価した数値を確認する必要がある
同じモデルでも、評価する音声によって値は変わる（Whisper large-v2、greedy decoding。Radford ほか 2022 の付録 D.1.1 より）:

評価データ	音声の種類	WER
LibriSpeech test-clean	オーディオブックの朗読（雑音が少ない）	2.7%
Switchboard	電話での会話	13.8%
CallHome	家族・友人との電話会話	17.6%

ただし: これらは2022年時点の値であり、ノイズ環境・方言・専門用語では精度がさらに低下する

講師メモ: 「人間並み」という表現を使うときは、人間側の誤り率も評価条件に依存することを添える。Xiong ほか（2016）では、専門の文字起こし担当者のWERは Switchboard で 5.9%、CallHome で 11.3% と報告されている。同じ人間でも、対象の音声によって値が異なる。評価方法の詳細は第9回で扱う。

スライド11: 音声処理と私たちの生活・社会¶

タイトル: 技術の恩恵と課題

表示内容（2列構成）:

恩恵・可能性: - 視覚障害者・肢体不自由者へのアクセシビリティ向上 - 高齢者の情報アクセス支援 - 多言語コミュニケーションの促進 - 医療・教育現場の効率化

課題・リスク: - プライバシーとデータ収集（常時録音の問題） - バイアス（特定の方言・アクセントへの認識精度の偏り） - ディープフェイク音声による詐欺・なりすまし - 少数言語への対応格差

講師メモ: 技術的な話だけでなく、倫理的・社会的視点も授業全体を通じて扱うことを予告する。第13〜14回のUX・応用事例回に向けての布石。

スライド12: この授業で「学ぶこと」¶

タイトル: スコープの確認 ― 学ぶこと

表示内容:

音声のデジタル化（サンプリング・量子化）
周波数分析（フーリエ変換の直感的理解）
音響特徴量の計算（MFCC）
古典的音声認識モデル（HMM）の基礎概念
深層学習を使った音声認識の概要（CNN/RNN/Transformer）
現代の音声認識システム（Whisper等）の使い方
音声合成の基礎
PythonとGoogle Colabによる実装演習
音声技術のUX・社会的応用

強調メッセージ:

これらをすべて「使いこなせる技術者」を目指すのではなく、「仕組みを説明でき、適切に応用できる素養」を身につけることが目標です。

スライド13: この授業で「学ばないこと」¶

タイトル: スコープの確認 ― 学ばないこと

表示内容:

数学的な厳密な証明（フーリエ変換の完全な導出など）
最新の研究論文レベルの知識
大規模モデルの学習（GPUクラスタの使い方）
音楽信号処理（楽器認識・ビート検出など）
自然言語処理（NLP）の深い内容（意味解析・対話システムの設計等）

補足:

これらは「この授業の範囲外」ですが、基礎を理解すれば自分で学べます。参考リンク（最後のスライド）を参照してください。

講師メモ: 「範囲外を明確にすること」で学生の不安を下げる。「音声処理の全部をマスターする必要はない」と伝える。

スライド14: 必要な事前知識とPython環境¶

タイトル: 受講にあたっての前提と準備

表示内容:

前提とする知識: - Pythonの基礎（ループ・関数・リスト操作） - 高校レベルの数学（三角関数・対数の概念）

Pythonの知識に不安がある場合: - Google「Python 基礎入門」で無料のチュートリアルが多数ある - Paiza、Progate などの入門サービスを活用

Python実習環境: - Google Colab を使用（ブラウザで動く、インストール不要） - Googleアカウントがあれば今すぐ使える - URL: colab.research.google.com

図解説明:

Google ColabのノートブックUIの簡略図。セルにコードを書いて▶ボタンで実行するという流れが矢印で示されている。

スライド15: コミュニケーション方法¶

タイトル: 質問・連絡の方法

表示内容:

手段	用途	回答目安
メール	授業内容の質問・個人的な連絡・相談	48時間以内
オフィスアワー	対面相談（要予約）	要相談

補足: - やれる範囲で気軽に連絡してください - 質問はいつでもメールで受け付けています

スライド16: 来週（第2回）の予告¶

タイトル: 次回は「発話と聴覚のしくみ」

表示内容: - 形式: オンライン同期（Zoom） - テーマ: ヒトはどのように声を出し、聴くのか - 内容: 発話器官・調音音声学の基礎・聴覚のメカニズム・音声知覚の不思議

事前学習（今すぐできる）: 1. 自分の声を録音して聴いてみる（スマートフォンのボイスメモ等） 2. 「マクガーク効果」を YouTube で検索して動画を見る 3. 「カクテルパーティ効果」とは何かを調べてメモしておく

事前学習は提出不要ですが、第2回の冒頭で簡単な確認クイズを行います。

スライド17: まとめとテストの案内¶

タイトル: 第1回のまとめ

学習の振り返り: 1. 音声技術はSiri・Alexa・自動字幕・医療AIなど幅広く応用されている 2. 音声処理には「収音→デジタル化→特徴抽出→認識→応用」という5ステップのパイプラインがある 3. この授業では数学の厳密な証明よりも「仕組みの理解」と「Pythonでの実装」を重視する 4. 動画回（今回含む）と同期回が交互に配置される

次のステップ: - テスト5問を解く（このスライドの後に開始、Google Forms） - 事前学習（上記スライド16）に自分のペースで取り組む

テスト問題（5問・4択・解答解説付き、Google Formsで回答）¶

問1¶

音声処理パイプラインの順序として正しいものはどれか。

A) 特徴抽出 → 収音 → デジタル化 → 認識 → 応用 B) 収音 → デジタル化 → 特徴抽出 → 認識 → 応用 C) デジタル化 → 収音 → 特徴抽出 → 応用 → 認識 D) 収音 → 特徴抽出 → デジタル化 → 認識 → 応用

正解: B

解説: この授業で扱う音声認識システムでは、まずマイクで音を拾い（収音）、アナログ信号を数値に変換し（デジタル化）、その数値から音声の特徴を計算し（特徴抽出）、特徴量から話された内容に対応する文字列を推定し（音声認識）、最終的に利用者向けのサービスに使われる（応用）という順序で処理される。意図や意味の理解が必要な場合は、音声認識の後にさらに自然言語理解（NLU）の処理を行う。この授業で扱うデジタル音声処理では、特徴抽出はデジタル化された信号に対して行うため、A・C・Dは誤り。

問2¶

正解の文字起こしが100単語の発話に対し、音声認識の結果には置換10語・削除5語・挿入5語の誤りがあった。単語誤り率（WER: Word Error Rate）はいくらか。

A) 5% B) 10% C) 20% D) 80%

正解: C

解説: WER = （置換 S ＋削除 D ＋挿入 I）÷ 正解の単語数 N × 100%。この例では (10 + 5 + 5) ÷ 100 × 100% = 20%。 Aは削除（または挿入）だけ、Bは置換だけを数えた誤答。Dは誤りのなかった単語の割合であり、誤り率ではない。なお、挿入も数えるため、WERは100%を超えることもある。

問3¶

以下の音声技術の応用例のうち、「テキスト音声合成（TTS: Text-to-Speech）」に分類されるものはどれか。

A) Alexa がユーザーの「音楽をかけて」という声を聞き取る B) カーナビが、案内文のテキスト「次の交差点を右折してください」を合成音声として読み上げる C) Zoom が会議の会話を自動的に文字に起こす D) スマートフォンのウェイクワード検出機能が「Hey Siri」を認識する

正解: B

解説: テキスト音声合成（TTS）は「テキスト（文字）→ 音声」の変換。Bは案内文のテキストから音声を合成している。A・Dは音声からコマンドを認識する処理、Cは会話を文字に起こす自動音声認識（ASR）であり、いずれも「音声→テキスト」の方向。なお、あらかじめ録音した音声を再生するだけの案内はTTSではない。

問4¶

音声処理技術の「バイアス問題」として最も適切に説明しているものはどれか。

A) 音声認識システムは処理速度が遅いため、リアルタイムには使えない B) 特定の方言や話し方に対して認識精度が低くなるなど、公平でない性能差が生じる C) 音声データはファイルサイズが大きいため、保存コストがかかる D) 音声認識は静かな環境でしか使えない

正解: B

解説: 音声認識システムのバイアス問題とは、学習データが特定の話者特性（標準的なアクセント・成人男性の声など）に偏っている場合、その特性に当てはまらない人（方言話者・子ども・高齢者など）に対して精度が著しく低下する現象。これは公平性（Fairness）の観点から重要な倫理的課題。Bは、話者の属性や話し方によって性能差が生じるという、公平性に関わる問題を説明している。AとDは一般的な説明として誤り（音声認識はライブ字幕のようにリアルタイムでも使われており、雑音下では精度が下がるが利用できないわけではない）。Cは保存・運用上の課題であって、バイアス問題の説明ではない。

問5¶

この授業の評価方法として正しい説明はどれか。

A) 小課題・演習と期末プロジェクトはそれぞれ50%ずつで合計100% B) 動画回のテストは一度しか受験できず、その点数が記録される C) 小課題・演習が30%、期末プロジェクトまたはレポート＋発表が70%で合計100%であり、動画回のテストは繰り返し受験可能 D) 出席点が20%、小課題・演習が30%、期末プロジェクトが50%で合計100%

正解: C

解説: 評価内訳は、小課題・演習（動画回のテストと同期回の演習課題）が30%、期末プロジェクトまたはレポート＋発表が70%。動画回のテストは締め切りまでに何度でも受験可能で、最高点が採用される。出席点は設定されていない。Bのような「一度きり」という制約はなく、繰り返し学習を促す設計になっている。

事前学習（第2回「発話・聴覚メカニズム」の準備）¶

第2回はオンライン同期形式で、ヒトが声を出し聴く仕組みを扱います。以下の事前学習に取り組んでおくことで、授業への参加の質が高まります（所要時間：合計15〜20分）。

1. 自分の声を録音して聴いてみる¶

スマートフォンのボイスメモアプリや録音アプリを使い、10〜15秒程度の発話を録音し、聴き直してみる。

考えてみること: 自分の録音した声は、普段耳にしている「自分の声」と同じに聞こえるか？違うとしたら、なぜそう感じると思うか？

（ヒント：骨伝導と空気伝導の違いに関係がある）

2. マクガーク効果の動画を見る¶

YouTube で「マクガーク効果（McGurk effect）」を検索して、代表的な実験動画を1〜2本視聴する。

考えてみること: この現象は何を意味しているか？音声は「耳だけ」で聴かれているのか？

3. カクテルパーティ効果について調べる¶

「カクテルパーティ効果」とは何かを調べ、自分の言葉で1〜2文でまとめておく。

考えてみること: 機械（音声認識システム）にとって、カクテルパーティ効果の再現はなぜ難しいと思うか？

参考リンク・資料¶

音声技術の入門動画¶

音声認識の歴史と現状¶

Python・Google Colab¶

音声技術と社会・倫理¶

医療応用の例¶

国立循環器病研究センター「音声による認知症診断支援アルゴリズムの共同研究・開発が完了」（2025年1月）

作成：小野原彩香／最終更新：2026年度版

第1回 ガイダンス／音声技術の応用紹介¶

学習目標¶

進化の視点：音声技術は、進化が作った装置の再実装である¶

スライド構成（全17枚）¶

スライド1: タイトル・担当紹介¶

スライド2: このコースで何を学ぶのか¶

スライド3: シラバスの構成（全14回）¶

スライド4: 評価方法¶

スライド5: 授業の受け方 ― 動画回¶

スライド6: 授業の受け方 ― オンライン同期回¶

スライド7: 私たちの周りの音声技術¶

スライド8: 注目のケーススタディ ― Amazon Alexa¶

スライド9: 音声処理パイプラインの全体像¶

スライド10: 音声認識の精度はどこまで来たか¶

スライド11: 音声処理と私たちの生活・社会¶

スライド12: この授業で「学ぶこと」¶

スライド13: この授業で「学ばないこと」¶

スライド14: 必要な事前知識とPython環境¶

スライド15: コミュニケーション方法¶

スライド16: 来週（第2回）の予告¶

スライド17: まとめとテストの案内¶

テスト問題（5問・4択・解答解説付き、Google Formsで回答）¶

問1¶

問2¶

問3¶

問4¶

問5¶

事前学習（第2回「発話・聴覚メカニズム」の準備）¶

1. 自分の声を録音して聴いてみる¶

2. マクガーク効果の動画を見る¶

3. カクテルパーティ効果について調べる¶

参考リンク・資料¶

音声技術の入門動画¶

音声認識の歴史と現状¶

Python・Google Colab¶

音声技術と社会・倫理¶

医療応用の例¶

第1回　ガイダンス／音声技術の応用紹介¶