シフトプラス株式会社様では、自治体や公共機関の職員がLGWAN（総合行政ネットワーク）配下であっても、日常業務で自然に活用できる音声認識・文字起こしサービス「eRex」を自治体とともに企画・開発し提供しています。自治体業務の現場で求められる精度やリアルな使い勝手にどのように応え、AmiVoice API がどのような役割を果たしているのか、採用の背景と導入後の効果について自治体プラットフォーム部の永田 茉奈美様に伺いました。

課題・背景

会議録等作成の負担増と自治体環境下でのツール制限

自治体業務では、議会、委員会、会議、打ち合わせ、窓口対応など日々のさまざまな場面で音声データが発生していますが、会議録やメモ作成に多くの時間を要することが長年の課題となっていました。また、録音しても「聞き直し」が前提になり効率化につながらないこと、外注した場合はコストやリードタイムが大きくなることが問題でした。

一方、LGWAN環境内で利用でき、かつ実務レベルの日本語精度を備えた音声認識を使ったサービス（ツール）は非常に限られているのが実情でした。自治体特有の固有名詞や制度名が多いことも、既存サービスでは十分に対応できない要因となっていました。
これらを解決するため、「自治体職員が自分で操作でき、通常の業務フローの中で自然に使える」を目指し、自治体と共同で eRex の企画・開発に取り組むことになりました。

 

導入の決め手

高い認識精度、特に行政特有用語の認識の高さ

eRex では複数の国内外エンジンを比較した結果、「AmiVoice API の日本語認識精度の高さ」「行政特有の表現や固有名詞への強さ」「単語登録API・話者ダイアライゼーションなど業務向け機能の充実」「APIとしての実装のしやすさ、運用のしやすさ」が採用の決め手となりました。

特に、自治体業務では「人名」「地名」「制度名」「事業名」など一般用語ではない単語が頻繁に登場します。
「単語登録API」で自治体ごとに用語や固有名詞を事前に登録できることが大きな魅力でした。
また、会議や打ち合わせでは複数人が発話するため「誰が話したか」がわかることも重要でした。

サービス開発にあたって、課題となったのは実際に自治体業務に即した使い勝手の設計でした。
音声認識そのものの精度だけでなく、どの形式で音声を送信するか、どのタイミングで文字起こし結果を確認するか、どう修正・再利用するか、といった業務フロー全体を考慮する必要がありました。
AmiVoice API は仕様が明確で挙動も安定していたため、アプリケーション側の設計に集中できた点は非常に助かりました。

導入の効果

「日本語として自然」「修正時間が大幅削減」の声

世界的に精度が良いと言われている音声認識サービスと比べても、AmiVoiceの日本語の認識精度は圧倒的に良かったです。
単語登録APIにより、複数の自治体それぞれに固有の用語を事前登録できるため、修正を前提としない精度の高い文字起こしが可能になったほか、話者ダイアライゼーションにより発言者ごとの整理ができ、会議録作成が大幅に効率化しました。
利用者からは、「修正時間が大幅に減った」「日本語として自然な文章になる」といった高い評価が寄せられています。

API 仕様が整理されておりスムーズに実装できたことから、サービス設計に集中できた点も大きなメリットでした。

今後の展望

文字起こし結果の二次利用・他システム連携への拡張予定

今後 eRex は、文字起こし結果の二次利用や他の業務システムとの連携など、自治体業務全体の効率化につながる方向へ拡張を進めていく予定です。また、大量処理運用のノウハウや、業務用途に特化したパラメータ調整などが提供されれば、さらに公共領域での活用が広がると期待されています。
シフトプラス社は、こうした展望を見据えながら eRex の中核を担う日本語音声認識エンジンとして、AmiVoice API に今後も継続して期待を寄せています。