音声認識・音声合成とOCRとは？

音声認識・音声合成とOCRの意味

音声認識は、人間の話し声をテキストデータに変換する技術。音声合成は逆に、テキストデータから人工的な音声を生成する技術。OCR（光学文字認識）は、紙面や画像に写った文字を認識してテキストデータに変換する技術。いずれも入力方法をデジタル化する技術として広く応用されている。

音声認識・音声合成とOCRの具体例

スマートスピーカーへの話しかけを音声認識でテキスト化して指示内容を理解し、応答を音声合成で読み上げる。紙の書類をスキャンしてOCRでテキスト化すれば、検索可能なデジタルデータとして扱える。

音声認識・音声合成とOCRは試験でどう引っ掛けられる？

変換の向きを逆にしないこと。声から文字が音声認識、文字から声が音声合成。またOCRは画像を「テキストデータに変換する」技術であって、単に紙を画像として取り込むスキャン（イメージ化）とは別——PDF化しただけでは文字検索できない。手書き文字を対象とするものはOCRと区別してOCR（手書き文字認識）やICRと呼ばれ、活字より認識率が下がる。いずれの技術も認識精度は100%ではなく、業務で使う際は誤認識を前提とした確認の工程が要る点も見落としやすい。

音声認識・音声合成とOCRと関連する用語

• 自然言語処理とコンピュータビジョン

音声認識・音声合成とOCRが出た過去問

• 手書き文字を読み取り，文字コードに変換したいときに用いる装置はどれか。

  正解：OCR

  要点：OCRは文字を読んでコード化、OMRはマークを読む

  OCRは光学式文字読取装置で、紙面の文字を光学的に読み取り、文字コードのデータへ変換する。OMRはマークシートの塗りつぶし位置を読み取る装置、BD-RやCD-Rは記録メディアであり、文字を認識する機能はない。

  出典：平成27年度 秋期 ITパスポート試験 問47（IPA）

• 紙に書かれた過去の文書や設計図を電子ファイル化して、全社で共有したい。このときに使用する機器として、適切なものはどれか。

  正解：スキャナ

  要点：紙の文書・図面の電子化に使う入力装置はスキャナ

  紙の文書や図面を画像として読み取り、電子ファイルに変換する入力装置がスキャナである。読み取った画像はOCR処理を経れば文字データとしても扱える。GPS受信機は位置情報の取得、ディジタイザは図形の座標入力、プロッタは大判の作図出力を行う装置で、いずれも紙の資料をそのまま電子化する用途には合わない。

  出典：平成28年度 春期 ITパスポート試験 問14（IPA）

• 拡張現実（AR）に関する記述として、適切なものはどれか。

  正解：実際の環境を捉えているカメラ映像などに、コンピュータが作り出す情報を重ね合わせて表示する技術

  要点：ARは現実の映像にコンピュータの情報を重ねて表示する技術

  拡張現実（AR）は、カメラで捉えた現実の映像や風景に、コンピュータが生成した文字や画像などの情報を重ね合わせて示す技術である。現実そのものを土台にして情報を付け足す点が、現実とは別の空間を作り出す仮想現実（VR）との違いになる。仮想記憶、音声認識、人工知能はいずれも別の技術の説明である。

  出典：平成28年度 春期 ITパスポート試験 問100（IPA）

• ディープラーニングに関する記述として、最も適切なものはどれか。

  正解：大量のデータを人間の脳神経回路を模したモデルで解析することによって、コンピュータ自体がデータの特徴を抽出、学習する技術

  要点：ディープラーニングは多層NNで特徴を自動抽出する

  ディープラーニングは、人間の脳の神経回路を模した多層のニューラルネットワークに大量のデータを与え、コンピュータ自身がデータの特徴（特徴量）を抽出して学習する技術である。従来は人が設計していた特徴の抽出を自動化できる点が大きな特徴で、画像認識や音声認識の精度を大きく高めた。

  出典：令和1年度 秋期 ITパスポート試験 問21（IPA）

• ディープラーニングを構成する技術の一つであり、人間の脳内にある神経回路を数学的なモデルで表現したものはどれか。

  正解：ニューラルネットワーク

  要点：ニューラルネットワークは脳の神経回路を模した計算モデル

  ニューラルネットワークは、脳の神経細胞（ニューロン）が信号を受け取り重み付けして次へ伝える仕組みを数式でまねた計算モデルである。この層を何層も深く重ねて学習させる手法がディープラーニングであり、画像認識や音声認識などで高い性能を示す。他の選択肢はいずれも通信・記憶に関するネットワークの用語である。

  出典：令和2年度 10月 ITパスポート試験 問19（IPA）