通訳がいるかのように外国語話者と通話し、指を使ったタッチ操作無しに情報を検索――。機械が人間の話した内容を解析する音声認識技術が、スマートフォン（高機能携帯電話＝スマホ）で花開こうとしている。文字情報への変換性能の進歩に加え、端末の処理能力や通信の質も向上。数年のうちに、話しかけるように入力や操作をするのが当たり前にできる時代が訪れそう。2012年は米アップルがｉＰｈｏｎｅ４Ｓに取り入れた音声操作機能「Ｓｉｒｉ」の日本語対応も見込まれ、通訳機能などを軸に開発を進める日本勢の技術も含め話題を集めそうだ。

　「お土産を探しています。何かお勧めのものはありませんか」。通話時と同様にスマホの端末を耳につけて話すこと数秒、中国語に訳された音声が返ってきた。情報通信研究機構（ＮＩＣＴ）がｉＰｈｏｎｅやアンドロイド端末向けに配信している「ＶｏｉｃｅＴｒａ」は、音声で入力した言葉を別の言語に翻訳して発音してくれるアプリ。日英中韓の４言語とインドネシア語、ベトナム語が音声認識、発音に対応しているほか、この６言語を含む21の国や地域の言語（ブラジルで使われているポルトガル語や台湾華語も含む）に文字で翻訳することが可能だ。

　このアプリ、実際の翻訳処理はスマホが行っているわけではない。端末で収録した音声データをＮＩＣＴのサーバーに送り、音声解析や翻訳、音声合成を経て、翻訳後の音声データを再び端末に戻している。通話用に音声入出力ができ、データ通信もできるスマホが実用化されたからこそ、実現した仕組みだ。「３Ｇ（第３世代携帯電話）から４Ｇへの移行、Ｗｉ―Ｆｉの普及など通信環境も向上している」（多言語翻訳研究室の隅田英一郎室長）ことも追い風になっている。

　ＮＩＣＴの前身組織が音声認識の研究に着手したのは約25年前。単語を一語一語とらえる段階から、アナウンサーが丁寧に話せば認識できるようなレベルを経て、会話文を認識できるレベルまで少しずつ技術を高めてきた。15年ほど前に集めた日本全国4000人分の音声データを活用。これをもとに単語や語順が日本語として適切であろう確率を算出し、それが最も高くなるよう翻訳文を構築する仕組みも実現した。