1.1 1950年代～1980年代：初期の試み
音声認識の研究は1952年にベル研究所で始まり、数字のみを認識する「Audrey」システムが開発された。1960年代にはIBMが「Shoebox」を発表し、10桁の数字認識を実現。1970年代にはカーネギーメロン大学が連続音声認識システム「Harpy」を開発し、約1000語の語彙を扱えるようになった。この時期は主にパターンマッチングやテンプレート照合に依存し、話者依存・小語彙・単語単位の認識が限界だった。
1.2 1990年代：統計的手法の台頭
1980年代後半から隠れマルコフモデル（HMM）が導入され、音声の時間変動を確率的にモデル化できるようになった。1990年代には大語彙連続音声認識（LVCSR）が実用化され、IBMやドラゴンシステムズが市販ソフトをリリース。N-gram言語モデルの採用により文脈情報を活用し、認識精度が飛躍的に向上した。この時代の特徴は、統計的枠組みへの移行と大規模学習データの重要性の認識である。
1.3 2000年代以降：深層学習による革命
2000年代前半までHMMと混合ガウスモデル（GMM）が主流だったが、2010年前後にディープニューラルネットワーク（DNN）が音響モデルに導入され、認識率が一気に10～30％向上。その後、リカレントニューラルネットワーク（RNN）、特にLong Short-Term Memory（LSTM）やTransformerアーキテクチャが登場し、エンドツーエンドのモデルも実用化。データ量と計算リソースの増加に伴い、Google、Amazon、Appleなどの企業が音声アシスタントを一般公開し、日常的に使われる技術になった。
2.1 音響モデル
2.1.1 隠れマルコフモデル
隠れマルコフモデルは音声信号の時間的変化を捉える確率モデルである。各音素やサブワードに状態系列を割り当て、観測された音響特徴量がどの状態から生成された確率が最も高いかを計算する。従来はガウス混合モデルと組み合わせて用いられ、計算効率の良さから長年音声認識の中心技術だった。
2.1.2 ディープニューラルネットワーク
DNNは多層のニューロンから構成され、音響特徴から音素や状態の事後確率を直接推定する。HMMと組み合わせたDNN-HMMハイブリッドモデルが主流だったが、近年ではエンドツーエンドのTransformerやConformerモデルによりHMMを排除した直接変換も普及している。大量データによる教師あり学習と、計算機性能の向上が性能向上の鍵である。
2.2 言語モデル
2.2.1 N-gramモデル
N-gramは直近のN-1個の単語の連鎖確率から次の単語を予測する統計的言語モデル。N=2（バイグラム）やN=3（トライグラム）が一般的で、大規模コーパスから得られた頻度情報を基に発話の生起確率を推定する。計算が軽く実装が容易だが、長距離依存の捕捉が困難という欠点がある。
2.2.2 Transformerベースモデル
Transformerは自己注意機構により文脈全体を考慮できる言語モデルで、BERTやGPTなどの事前学習モデルが音声認識の言語モデリングに応用されている。N-gramに比べて長距離依存を捉えやすく、デコード時のビームサーチ内でスコアリングに使われる。大規模モデルは高い性能を示すが計算資源を要する。
2.3 特徴抽出
2.3.1 メル周波数ケプストラム係数
MFCCは人間の聴覚特性に基づいて設計された音響特徴量である。音声波形を短時間フーリエ変換し、メル尺度のフィルタバンクで周波数軸を圧縮、対数変換後のケプストラム係数を求める。長年音声認識の標準的特徴量として使われ、低次元でノイズに比較的頑健である。
2.3.2 フィルタバンク特徴
フィルタバンク特徴はメルフィルタバンクの出力そのものを対数化したもので、MFCCと異なりケプストラム変換を施さない。DNN時代に入り、線形性を保ったままニューラルネットに投入することで、ネットワーク自身が必要な変換を学習できる点が評価され、現在ではMFCCよりも広く使われている。
2.4 デコードと後処理
デコードは音響モデルと言語モデルのスコアを統合し、最も確率の高い単語系列を探索するプロセスである。ビームサーチが一般的で、ビーム幅を調整することで速度と精度のトレードオフを図る。後処理には、句読点挿入、文字ケース修正、訂正のためのルールベースや学習ベースのテキスト正規化が含まれ、認識結果を人間に読みやすい形に整形する。
3.1 環境ノイズとロバスト性
実環境では周囲の雑音、残響、重なり音声などが認識精度を低下させる。ノイズ除去やマイクアレイによるビームフォーミング、データ拡張による対処が行われるが、完全な解決には至っていない。特にカクテルパーティ効果（複数話者の同時発話）は現在も難しい問題である。
3.2 話者依存性とアクセント
音声認識モデルは学習データに偏りがあると、特定の話者やアクセントに弱くなる。年齢、性別、発話スタイル、方言による音響的差異を吸収するための話者適応技術（i-vector、x-vector、アダプターなど）が研究されている。しかし、マイノリティのアクセントや発話障害を持つ話者に対する性能は依然として不十分な場合が多い。
3.3 複数言語・方言への対応
一つの言語内でも方言やスタイルの違いがあり、さらに多言語をカバーするユニバーサルモデルは学習データの不均衡に悩む。低リソース言語ではデータ不足が深刻で、転移学習や自己教師あり学習（wav2vec 2.0など）によって一部改善されているが、普及にはまだ時間がかかる。
3.4 プライバシーとセキュリティ
音声データには話者の個人情報やプライベートな会話が含まれるため、収集・保存・処理におけるプライバシー保護が重要。クラウドベースの認識ではデータ漏洩リスクがあり、エッジデバイスでのローカル処理や差分プライバシー、フェデレーテッドラーニングなどの手法が模索されている。また、音声コマンドを悪用したなりすまし攻撃に対する対策も必要である。
4.1 民生用デバイス
4.1.1 スマートスピーカー
Amazon Echo、Google Nest、Apple HomePodなどのスマートスピーカーは音声認識を中核とし、音楽再生、情報検索、家電制御などを音声で行える。常時待機状態でウェイクワードを検出し、クラウドで認識・応答処理を行う。
4.1.2 音声アシスタント
Siri、Googleアシスタント、Alexaはスマートフォンやタブレット上で動作し、スケジュール管理、メッセージ送信、天気予報などの機能を提供する。近年ではオンデバイス認識が進み、オフラインでも基本的なタスクを実行できるようになっている。
4.2 ビジネスと産業
4.2.1 自動字幕生成
会議、講演、放送番組などの音声をリアルタイムでテキスト化し字幕として表示する技術。YouTubeやZoom、Microsoft Teamsなどに組み込まれ、聴覚障害者支援や多言語対応にも活用される。精度は話者や環境に依存するが、専門用語の辞書追加などで改善が進んでいる。
4.2.2 コールセンター分析
顧客とオペレーターの会話を音声認識でテキスト化し、感情分析やキーワード抽出によってサービス品質や傾向を分析する。コンプライアンスチェックや自動応対システム（IVR）の改良にも役立っている。
4.3 医療とヘルスケア
4.3.1 診断補助システム
音声の特徴からパーキンソン病やうつ病、声帯疾患などの兆候を検出する研究が行われている。認識技術は問診の自動記録や電子カルテへの音声入力としても利用され、医師の負担軽減に貢献する。
4.3.2 音声による入力支援
身体障害者や高齢者がキーボードやタッチ操作の代わりに音声で機器を操作する手段として重要。ディクテーションソフトウェア（Dragon NaturallySpeakingなど）が代表的で、福祉分野での応用が広がっている。
4.4 エンターテインメント
4.4.1 ゲーム内音声コマンド
プレイヤーが音声でキャラクターを操作したり、コマンドを実行するゲームが登場している。リアルタイム性が求められるため、低遅延かつ高精度な認識が必要であり、エッジデバイス上での処理が進んでいる。
4.4.2 自動吹き替え
音声認識で原語の台詞をテキスト化し、機械翻訳と音声合成（TTS）を組み合わせて異なる言語に吹き替える技術。従来の手作業に比べて迅速な多言語展開が可能となり、動画配信プラットフォームで導入されている。
5.1 音声合成
音声認識の逆変換として、テキストから自然な音声を生成する技術。波形生成にはWaveNet、Tacotron、VITSなどのニューラルモデルが用いられ、認識と組み合わせた音声対話システムの要となっている。
5.2 自然言語処理
認識結果のテキストを解析・理解する技術。形態素解析、構文解析、意味解析、意図推定などを通じて、音声アシスタントが適切な応答を生成する基盤となる。
5.3 話者認識
話者を識別・検証する技術。認識と異なり「誰が話したか」に着目し、生体認証や犯罪捜査、カスタマイズサービスに応用される。近年は深層学習による埋め込みベクトル（x-vector）が主流。
5.4 感情認識
音声の韻律やスペクトル特徴から話者の感情状態を推定する技術。データ拡張やマルチモーダル学習により精度が向上し、コールセンターでの顧客満足度分析やメンタルヘルスケアなどに期待されている。
6.1 ノイズ完全除去とユニバーサル認識
あらゆる環境・話者・言語で人間並みの認識を実現するユニバーサルモデルの開発が目標。ノイズ除去の物理的・アルゴリズム的限界を超えるには、自己教師あり学習や大規模マルチモーダル学習の進展が必要とされる。
6.2 リアルタイム多言語翻訳
認識と機械翻訳を統合し、話者の発話を瞬時に別言語の音声またはテキストで提示するシステム。旅行、国際会議、遠隔医療などでの需要が高く、翻訳品質の向上とエンドツーエンドの低遅延化が課題である。
6.3 脳－機械インターフェースとの融合
脳波や皮質電図から発話意図を直接読み取る技術との接続により、音声を発せられない重度障害者でもコミュニケーションが可能になる。音声認識の枠組みを拡張した「内言認識」の研究が始まっており、将来的には思考だけで操作するインターフェースが実現する可能性がある。