音声認識まとめ（WaveNet・CTC・RNN）は頻出論点を整理して得点力につなげる学習テーマです。この記事では仕組み・役割・使いどころを押さえ、G検定で問われる判断ポイントとひっかけポイントを解説します。

gk cheatsheet

G検定トップ ＞ 音声認識まとめ（WaveNet・CTC・RNN）

まず結論（この1ページで即断）

音声認識は「音声という時系列データ」をどう扱うかがすべてです。

G検定では、 👉 「音声のどの段階を扱っているか」 を見抜けるかが問われます。

直感的な全体像

手法 何をする？ 典型用途
RNN 時系列を順に処理 音声特徴量の処理
Encoder-Decoder 音→文字列変換 音声認識・翻訳
CTC 時系列とラベル対応付け 音声→文字
WaveNet 波形を直接生成 音声生成

👉 画像用CNN（EfficientNetなど）は対象外

各手法の役割

RNN / LSTM / GRU

  • 音声特徴量（MFCCなど）を時系列として処理
  • 音声認識の基礎構造

👉 「時系列処理」と言われたらまず RNN

Encoder-Decoder

  • 入力：音声系列
  • 出力：文字系列
  • 入力長と出力長が異なってもOK

👉 seq2seq 構造

CTC（Connectionist Temporal Classification）

  • 音声フレームと文字の対応を自動で学習
  • アラインメント不要

👉 音声認識で超頻出

WaveNet

  • 音声波形を直接モデル化
  • 高品質な音声生成が可能

👉 認識ではなく生成が主用途

G検定ひっかけポイント

① 音声＝WaveNet と思わせる

❌ 不正解。

  • WaveNet：生成向き
  • 認識：RNN / CTC / Encoder-Decoder

② 画像モデルを混ぜる

  • EfficientNet
  • AlexNet

👉 音声には不適切

③ CTC の役割を誤解

  • CTC = 分類器ではない
  • 対応付け（アラインメント）手法

まとめ（試験直前用）

  • 音声は 時系列データ
  • 認識：RNN / Encoder-Decoder / CTC
  • 生成：WaveNet
  • 画像CNNは使わない

👉 迷ったら

音声 = 時系列

🔗 関連記事

🏠 G検トップに戻る