ITパスポート 令和6年度 公開問題(過去問) 問78 について解説します。
問題
問78 利用者がスマートスピーカーに向けて話し掛けた内容に対して、スマートスピーカーから音声で応答するための処理手順が (1) ～ (4) のとおりであるとき、音声認識に該当する処理はどれか。
(1) 利用者の音声をテキストデータに変換する。
(2) テキストデータを解析して、その意味を理解する。
(3) 応答する内容を決定して、テキストデータを生成する。
(4) 生成したテキストデータを読み上げる。
ア (1)
イ (2)
ウ (3)
エ (4)
解説・解答
この問題は、利用者がスマートスピーカーに話しかけた内容に対してスピーカーが音声で返事をするまでの一連の流れを (1)～(4) のステップで示し、音声認識に該当する処理を選択する問題です。
(1) 利用者の音声をテキストデータに変換する
この処理は、音声認識（Speech Recognition）に該当します。
音波として入力されたユーザーの声を、音響モデルや言語モデルに基づいて、テキストに変換します。
たとえば「今日の天気は？」という音声を「今日の天気は？」という文字列に変換するイメージです。
技術的には、以下の技術が関係します。
・音響モデル（HMMなど）
・辞書データ（単語・発音辞書）
・ディープラーニングベースのASR（Automatic Speech Recognition）
この処理が音声認識です。
(2) テキストデータを解析して、その意味を理解する
これは自然言語処理（NLP）の領域です。
入力されたテキストを「文法解析」し、「意図（インテント）抽出」や「スロットフィリング（情報抽出）」を行うステップです。たとえば、テキストが「今日の天気は？」 の場合は「天気情報取得」という意図を抽出するイメージです。
(3) 応答する内容を決定して、テキストデータを生成する
これは対話管理・応答生成に該当します。
先ほどの解析結果に基づき、何を返すかを決定します。たとえば、APIを使って天気情報を取得し、応答文「今日の天気は晴れです」を生成するイメージです。
(4) 生成したテキストデータを読み上げる
この処理は音声合成（Speech Synthesis / TTS: Text-to-Speech）です。
たとえば、応答のテキスト「今日の天気は晴れです」を機械音声として生成してスピーカーから出力するイメージです。実際には、WaveNetや音素ベースのTTSエンジンが使われることもあります。
したがって、音声認識に該当するのは、アの（1）になります。
以上により、この問題の解答は「ア」になります。
