コールセンターの日本語音声認識はどこで間違えるのか ー 固有名詞・方言・電話帯域の壁

2026年9月2日、カタログギフト大手のリンベルが電話注文受付へのAIエージェント導入を発表した。このリリースで目を引くのは導入の成果ではなく、公開された課題の中身である。商品番号や届け先住所など、英数字が混在する情報を正確に聞き取る音声認識精度が運用上の壁になり、提供元のAI Shiftは2025年4月にエンジン基盤ごと刷新して対応したと明かしている。ベンダーが「認識率95%以上」と謳う時代に、なぜ本番のコールセンターでは音声認識がつまずくのか。本稿では、日本語音声認識が実務で間違える条件を分解し、カタログ値の数字を業務の言葉に読み替える方法を整理する。結論を先に言えば、認識率の数字それ自体より「何を・どの条件で・どう測ったか」を読む力の方が、選定の成否を分けると考えている。

1. 「認識率95%」と本番の乖離 ー コールセンターで起きていること

音声認識の精度は一般に、単語誤り率（WER: Word Error Rate）や文字誤り率（CER: Character Error Rate）で測られる。WERとCERの計算方法の解説によれば、いずれも「挿入・置換・削除された語（文字）の数を正解の語（文字）数で割る」形で算出される。つまり「認識率95%」は、おおむね20語（または20文字）に1つは間違えるという意味である。

この数字を相対化するために、静かな会議室での議事録作成を当て馬に置いてみる。会議の文字起こしなら、20文字に1文字の誤りは文脈で補正でき、実用上ほぼ問題にならない。ところがコールセンターの電話注文で、商品番号「A123」の1文字が落ちれば誤配送につながり、住所の1文字が変われば再確認の折り返し電話が発生する。同じ5%の誤りでも、業務コストへの変換係数がまったく違う。もっとも、この比較には留保が要る。会議とコールセンターでは音響条件も語彙も異なるため、「同じエンジンなら同じ認識率が出る」という前提自体が成り立たないからだ。ベンチマーク環境と本番環境の差は、次章で見るように構造的なものである。

国内のコンタクトセンター向け音声認識で導入実績を公表している例としては、アドバンスト・メディアのAmiVoice Communication Suiteが導入600社・9万ライセンス以上（同社発表）を掲げる。同社は2026年6月、カスタマー側の音声認識にEnd-to-End型エンジンを追加し、従来のハイブリッド型と比較して認識エラー率を平均30.4%・最大37.8%改善したとしている（社内検証・同社発表）。裏を返せば、シェア上位の専業ベンダーが2026年になってもなお「カスタマー側発話」のエンジンを刷新しているという事実そのものが、顧客側の発話認識が依然として難しい領域であることの傍証と読める。