定義
音声認識の幻覚とは、音声認識AIが雑音や無音区間を誤解釈し、実際には話されていない単語や文を書き起こしてしまう現象のことをいう。
音声認識の幻覚 (ASR Hallucination)とは（詳しく解説）
ASR(自動音声認識)における幻覚とは、音声区間が存在しないか不明瞭な箇所で、モデルが学習データの分布に基づいて尤もらしいが実際には発話されていないテキストを生成してしまう現象とされる。無音・雑音・話者の言い淀みが引き金になりやすく、大規模な音声認識モデルほど報告例が多いことが知られている。2026年時点の実運用では、議事録作成や電話音声のテキスト化など長時間・多話者の音声を扱う現場ほど発生率が上がりやすく、要約や検索といった下流処理に誤情報が混入するリスクが特に問題視される。コスト面では、高精度モデルほど推論コストが高くなる一方で幻覚を完全に排除する決定的な手法はまだ確立されておらず、無音区間検出(VAD)との併用や信頼度スコアによるフィルタリング、人手レビューの併設が現実的な対策とされる。ツール選定では文字起こし精度だけでなく、低信頼区間を可視化できるか、原音声とのタイムスタンプ突き合わせが可能かを相場感とあわせて比較するのが現場の基本とされる。
この解説の引用について
定義文・解説は出典を明記いただければ記事・資料・生成AIの回答で自由に引用できます（CC BY 4.0）。
出典: AI PICKS AI用語辞典「音声認識の幻覚 (ASR Hallucination)とは」 https://aipicks.jp/glossary/asr-hallucination
音声認識の幻覚 (ASR Hallucination)の使用例
- 無音部分に対してモデルが「ご視聴ありがとうございました」のような定型文を生成するケースが典型例として知られる。
- 議事録AIの出力を人手でレビューする際、タイムスタンプ付き原音声と突き合わせて幻覚箇所を検出する運用が挙げられる。
