3分の録音を聞き直す代わりに、10秒で読み返す

昨日書いたAI予約入力は、録音を文字にできているのが前提の機能だ。今日はその土台の話。 といっても、このデリヘル管理アプリの文字起こしで気に入っているのは精度そのものより「読み方」のほうで、 通話が終わると、着信履歴の録音の下に会話がLINEのような吹き出しで並ぶ。 お客様が左の白、こちら側（オペレーターやAI）が右の緑。

最初のバージョンは、ただの長文だった。3分の通話が改行なしの壁のような文章で出てきて、 作った本人が読む気にならない。話者で分けて吹き出しにしたら、急に読めるようになった。 「120分で」がお客様の希望なのか、こちらの復唱なのかは、壁テキストだと前後を 追わないと分からないが、吹き出しなら見た瞬間に分かる。各行には秒数が付いていて、 タップするとその位置から再生が始まり、発言のテキストもコピーされる。 文字起こしを全部は信じていないので、怪しい行だけ耳で確かめるための作りだ。 再生中はいま流れている行をハイライトが追いかけてくる。

ラブホの屋号には、いい認識エンジンでも勝てない

音声認識は日常会話にはめっぽう強いのに、この業界の固有名詞になると急に怪しくなる。 キャストの源氏名、そしてラブホテルの屋号。スクショの通話でも、飯塚に実在する 「ビックリハコ」が「ビックリバコ」で起きている。ここは完璧にならない前提で、 吹き出しの脇に✏️を置いて、気づいた人がその場で直せるようにした。 訂正は履歴の表示に反映されるだけでなく、聞き間違いの原文と直した文をペアで 残していて、認識エンジンの改善データに回る。編集欄の下に小さく 「訂正は文字起こしの精度向上にも使われます」とあるのはそういう意味だ。 直すたびに、うちの現場の語彙にすこしずつ寄っていく。

「言った言わない」で録音を頭から聞き直す夜は、これでだいぶ減った。 3分の通話の確認に3分かかっていたのが、読むだけなら10秒で済む。 ここまでは通話が終わった後の話。明日は、通話している最中に リアルタイムで字幕が流れる話を書く。