AWSの文字起こし「Amazon Transcribe」が生成AI対応、100言語に拡大

多国籍なカスタマーサポートや海外拠点との通話記録を扱ったことがある人なら、特有の訛りや周囲の雑音で文字起こしが崩壊する苦労をご存じでしょう。結局、人間が聞き直す羽目になるケースも少なくありませんでした。

AWS は年次イベント「re:Invent」において、音声認識サービス「Amazon Transcribe」を生成AI基盤モデルベースに全面刷新したと発表しました。

これまで 2023 年末時点で 39 言語だった対応口語数は、一気に 100 言語へと拡大します。

100言語へ拡大、精度は最大50%向上

AWS の発表によると、新モデルは 100 以上の言語から収集した数百万時間のラベルなし音声データを使い、自己教師あり学習アルゴリズムによって訓練されました。

多言語モデルでありがちなのが、英語など主要言語のデータが過剰になり、話者数の少ない言語の精度が落ちるという問題です。

AWS は主要言語がデータセット内で過剰に偏らないよう調整し、利用頻度の低い言語でも主要言語と同等の精度を出せるよう設計したと説明しています。

その結果、多くの言語で旧バージョンと比較して 20 から 50 パーセントの精度向上が確認されたとしています。自動句読点、カスタム語彙、自動言語識別、ノイズ耐性といった機能も備えています。

コンタクトセンターの事後作業を自動化

企業にとって文字起こしは手段にすぎず、肝心なのはその後の分析です。今回の強化はコンタクトセンター向け「Amazon Transcribe Call Analytics」にも波及しています。

生成AIモデルを組み込むことで、オペレーターと顧客のやり取りを自動で要約できるようになりました。

これにより、通話終了後の業務日報作成にかかる時間が大幅に削減され、管理者は長大なテキスト全文を読まなくても要点を瞬時に把握できます。

文字起こし市場では Otter が要約機能などを先行して提供しており、Meta も約 100 の話し言葉に対応する生成AI翻訳モデルを開発中ですが、AWS は自社クラウドの連携力で勝負に出ています。

なぜ重要か

派手なスタンドアローン型AIアプリを打ち出すのではなく、既存のB2Bインフラの中に基盤モデルを深く組み込んだ点が、AWS らしい賢い一手だと考えられます。

グローバル展開を進める企業やコールセンター業務を抱える開発者にとって、このアップデートはすぐに検証する価値があります。対応言語が 39 から 100 へ広がったことで、新興市場向けオペレーションの言語障壁が大きく下がり、AWS 上でそのまま完結できるため導入コストも抑えられます。

業界全体で見れば、Otter などの専業文字起こしスタートアップにとっては強い脅威になるはずです。クラウド基盤側が精度を最大 50% 引き上げ、通話後の要約や分析まで標準機能として提供してしまえば、単機能のSaaSが差別化を図るのは難しくなります。

懸念点を挙げるなら、業界特有の専門用語への適応力です。いくら全体的な精度が向上したとはいえ、専門性の高い通話現場で自己教師ありモデルがどこまで破綻せずに機能するかは、実際の運用現場で見極める必要があります。