Speech-to-Text（STT）とは

STT（Speech-to-Text）は、人の話した言葉を自動的にテキストデータに変換する音声認識技術です。 当社は最新のAI技術を活用し、日本語に特化した高精度な音声認識エンジンを開発。 会議の議事録作成、動画の字幕生成、コールセンターの通話記録など、さまざまなビジネスシーンで音声データの活用を支援します。

LivetoonのSTT（音声認識技術）－ 4つの特徴

1. 圧倒的なリアルタイム処理能力

従来のSpeech-to-Textエンジンが2,000msかかるところを、当社のSTTエンジンは10倍速の200msで処理が可能。 これにより「kaiwa」のようなリアルタイムコミュニケーションに十分耐えうる性能を実現しています。

※ 10秒の短文での推論結果

2. 高度な周辺技術との統合

文字起こしAIは単純なようで奥深い技術です。当社では、単なる音声認識にとどまらず、 以下の周辺技術を統合することで、より実用的で精度の高いSTTを実現しています。

• VAD（Voice Activity Detection）：話の始まりと終わりを適切に検知
• 話者分離：複数人の発話を個別に識別・分離
• 感情分析：話者の感情や意図を読み取る

3. 柔軟なカスタマイズ性

業界や企業特有の専門用語、社内用語を学習させることで、より高精度な認識が可能に。 医療、法務、金融など、各分野に最適化したモデルをご提供します。

4. 優れたコストパフォーマンス

モデルを独自に開発し、自社でホスティングすることで優れたコストパフォーマンスを実現。 とくにハードウェア特性に合わせた最適化により、従来比20%のコスト削減を達成しています。 高品質なサービスを、より多くのお客様にご利用いただける価格でご提供します。

活用シーン

当社のSTT技術は、以下のような場面で業務効率化に貢献しています。

• 会議・ミーティング：議事録の自動作成により、記録作業の時間を90%削減
• コールセンター：通話内容の自動テキスト化で、対応品質の向上と分析の効率化
• 動画コンテンツ：字幕の自動生成により、制作コストを大幅に削減
• 医療・介護現場：カルテや介護記録の音声入力で、現場の負担を軽減
• 教育・研修：講義内容の文字起こしで、復習や欠席者への共有が容易に

今後の展開

当社では、さらなる認識精度の向上と、より自然な文章生成を目指して研究開発を続けています。 また、感情認識や話者の意図理解など、単なる文字起こしを超えた価値提供にも取り組んでいます。 音声データから新たなビジネス価値を創出する、そんな未来を実現してまいります。

STT技術の導入について、お気軽にご相談ください。