オーディオ

[アーティクル]
06/19/2023

このドキュメントでは、Microsoft の音声認識プラットフォームで使用することを目的としたオーディオ再生デバイスやオーディオ入力デバイスなど、オーディオデバイスの設計と開発に関する推奨事項について説明します。 Speech Platform は、音声入力やライブキャプションなど、Windows の音声エクスペリエンスのすべてを強化するために使用されます。このドキュメントの目的は、エコシステムパートナーが、Microsoft テクノロジを使用して最適化されたオーディオエクスペリエンスを備えたデバイスを構築できるようにすることです。

ハードウェアの最小要件と Windows ハードウェア互換性プログラム

最小ハードウェア要件と Windows ハードウェア互換性プログラム要件は、Windows 互換オーディオソリューションを作成するための基本になります。プログラムはオプションですが、基本的なオーディオ品質を確保するために、オーディオ製品が両方の要件を満たしていることを強くお勧めします。

それぞれの詳細については、以下を参照してください。

セクション 6.2.2 の「最小ハードウェア要件」を参照してください
「Windows ハードウェア互換性プログラム」を参照してください

マルチストリームオーディオ再生を最適化するシナリオ

マルチストリーミングは Windows 10 Desktop エディションの要件ではなくなりましたが、マルチストリーミングシナリオをサポートするには、少なくとも 2 つのデジタル - アナログコンバーター (DAC) を用意することを強くお勧めします。単一の DAC (リダイレクトされたヘッドセットなど) を使用する場合は、ユーザー設定を保持できるように、オーディオエンドポイント (統合スピーカーや 3.5 mm オーディオジャックなど) ごとに独立してオーディオボリュームコントロールとステータスをサポートすることを強くお勧めします。

音声および通信用のオーディオソリューションの最適化

オーディオソリューションがハードウェアの最小要件と Windows 互換性プログラムの要件の両方を満たすと、オーディオソリューションは Windows で基本的なオーディオエクスペリエンスを提供します。対象となる市場セグメントに応じて、デバイスでは、Speech Platform と Skype の 2 つの追加の最適化がサポートされる場合があります。 Speech Platform と Skype の両方に関する推奨事項は、基本的なオーディオエクスペリエンスの要件を基にビルドされています。オーディオソリューションが基本的な要件を完全に満たしていない場合は、Speech Platform または Skypeを最適化する必要があります。

Note

テレフォニーおよび Skype などのアプリケーションのガイドラインは、利用可能になったときにこのトピックに補足されます。

audio recommendations

Windows の音声認識

デバイスの製造元は、音声認識のテスト基準と比較してパフォーマンスを最適化するために、音声強調処理をデバイスに統合および調整することをお勧めします。

統合された音声強調処理のないデバイスの場合、Microsoft は Windows 10 で既定の処理を行います。 Microsoft の音声強調処理では、IHV によるデバイス固有の調整は必要ありません。

音声ドライバーが音声のマイクジオメトリと音声信号処理を公開しない場合は、Microsoft 音声強調パイプラインが使用されます。サードパーティの機能強化を利用するには、マイクのジオメトリを提供し、オーディオ入力で "音声" 信号処理モードをサポートし、オーディオドライバーまたはそのソフトウェア APO によって提供される効果に少なくともノイズ抑制とエコーキャンセリングが含まれている必要があります。

音声認識とテレフォニーの違い

音声認識機能を対象とする多くのデバイスは、テレフォニーの使用も対象としています。類似点は明らかです。どちらのシナリオでも、マイクを備えたデバイスを使用して人間の音声を選択し、音声処理パイプラインを使用して環境からノイズを取り除き、人間の音声を強化し、音声を理解するために明確な音声信号に依存するアプリケーションを使用します。

違いは、音声信号を誰または何が使用するかという点です。テレフォニーには人間の利用者がいるため、知覚的な音声品質と音声明瞭度が最も重要になります。音声認識にはアルゴリズムのコンシューマーがいます。この場合、音声信号の特定の機能でトレーニングされた機械学習によって、認識されるものが決まり、それらの機能が必ずしも知覚基準に一致するとは限りません。

多くの場合、音声認識品質は音声認識の精度と関連していますが、必ずしもそうではありません。このドキュメントでは、音声認識の精度を評価して最大化する方法について説明します。 "音声" 信号処理モードをサポートすること、そして音声認識専用にこのモードを調整することをお勧めします。

Skype/Lync オーディオ認定に合格することは、デバイスのオーディオパフォーマンスが良好であることを示す強力な指標です。