「音声入力」「文字起こし」「音声認識」——呼び方はさまざまですが、いずれも話した言葉を文字にする技術を指しています。カルテ入力の効率化として語られることが多い一方、技術としてどこまでできて、どこで間違えるのかは意外と共有されていません。
本記事では、この技術そのものを職員向けに解説します。カルテのSOAP自動生成という応用面は 診察の会話からSOAPを自動生成する仕組みと精度のリアル で扱っていますので、あわせてご覧ください。
免責：本記事は一般的な情報提供です。精度や機能は製品・環境によって大きく異なります。導入検討時は自院の環境での試用をおすすめします。
仕組み——3つの段階
音声が文字になるまでには、おおまかに3つの段階があります。
① 音を拾う。 マイクが空気の振動を電気信号に変えます。ここで拾えなかった音は、この後の段階でどうやっても復元できません。最初の段階が最も重要なのはこのためです。
② 音を言葉に変換する。 AIが音の並びから「どの言葉として発音されたか」を推定します。
③ 文脈で整える。 前後のつながりから、より自然な言葉づかいに補正します。「いちょう」が「胃腸」なのか「銀杏」なのかは、周辺の言葉から判断されます。
③があるため、同じ音でも文脈によって違う文字になります。これは便利な反面、文脈を取り違えると意図と違う文字になる原因でもあります。
精度を左右する5つの要因
「AIの性能」よりも、使い方と環境が精度を決めます。
① マイクの位置と種類
最も影響が大きい要因です。口元から遠いほど、周囲の音との比率が悪くなります。
- ピンマイク・ヘッドセット：口元に近く、安定しやすい
- 卓上マイク：座る位置によって差が出る
- パソコン内蔵マイク：距離があり、環境音を拾いやすい
導入がうまくいかない事例の多くは、AIの性能ではなくマイク環境が原因です。
② 周囲の音
診察室では、次のような音が常にあります。
- 空調、換気の音
- 廊下の話し声、待合の呼び出し
- 機器の動作音、キーボードの打鍵音
- 紙をめくる音
人間は聞き分けられますが、マイクは区別せずすべて拾います。 静かな環境ほど精度は上がります。
③ 話し方
- 早口・小声：認識しにくい
- 語尾が消える：文末が欠ける
- 「えーと」「あの」：そのまま文字になることがある
- 複数人が同時に話す：重なった部分は苦手
意識してやや大きめ・やや明瞭に話すだけで、精度は目に見えて変わります。
④ 専門用語と固有名詞
医療用語、薬剤名、検査項目、器具名——一般的な会話には出てこない言葉が大量に登場します。
一般向けのAIをそのまま使うと、ここで大きく崩れます。医療分野に対応した仕組みでは、医学用語の辞書を持っていることが多く、この差が実務での使い勝手を分けます。
さらに、自院固有の言葉（院内の略称、よく使う機器名、地域の医療機関名）は、辞書に登録できるかどうかを確認しておくと運用が安定します。
⑤ 話者の重なりと区別
複数人が話す場面では、誰が話したかを区別できるかが問題になります。これを話者分離と呼びます。
- 診察：医師と患者を区別できると、記録として整理しやすい
- カンファレンス：発言者ごとに整理できると議事録として使える
- 電話：担当者と相手の区別
ただし、同時に話した部分は原理的に苦手です。会議で発言が重なると、その部分は精度が落ちます。
リアルタイムか、事後か
処理のタイミングにも2種類あります。
| 方式 | 特徴 | 向いている場面 |
|---|---|---|
| リアルタイム | 話しながら文字が出る | 診察中の記録、その場で確認したい場面 |
| 事後（バッチ） | 録音してから処理する | カンファレンス、長い会議 |
事後処理のほうが、前後の文脈を広く使えるぶん精度を出しやすいという性質があります。リアルタイムは、話している途中では「この先どうつながるか」がわからないためです。
一方でリアルタイムには、その場で気づいて言い直せるという運用上の利点があります。診察後にまとめて直すより、話しながら直すほうが結果的に速いことも少なくありません。
クリニックで使える場面
| 場面 | 何が変わるか | 注意点 |
|---|---|---|
| 診察の記録 | 会話がそのまま記録の下書きになる | 患者への説明が必要。同意の扱いを決める |
| カンファレンス | 議事録作成の負担が消える | 発言者の区別ができるか確認 |
| 電話対応 | 内容の記録が残る | 録音の告知が必要 |
| 申し送り | 口頭の引き継ぎが文字で残る | 要点の整理は別途必要 |
| 患者への説明の記録 | 説明内容を記録として残せる | 同意取得の記録として活用できる |
とくにカンファレンスの議事録は、効果が見えやすく、患者情報の扱いも比較的整理しやすいため、最初の一歩として取り組みやすい領域です。
「文字になる」と「使える」は別
ここが実務上いちばん大事な点です。
音声が文字になっただけでは、そのまま記録として使えるわけではありません。会話は、書き言葉とは構造が違うからです。
話した通りの文字起こしの例 「えーと、じゃあ今日はですね、あの、前回のお薬を、そのまま続けていく形で、はい、それで様子を見ましょうか」
これをカルテにそのまま貼っても、記録としては読みにくい。要点を整理する段階が別に必要になります。
この「整理する」部分を担うのが要約や構造化で、SOAP形式への自動整理はその代表例です。詳しくは 診察の会話からSOAPを自動生成する仕組みと精度のリアル、要約という機能自体は サマライズ（要約）とは？AIに要約させるときに知っておくこと をご覧ください。
導入前に確認すること
① 自院の環境で試せるか カタログの精度は、静かな環境での数値であることが多いものです。実際の診察室で、実際のスタッフの声で試すことが不可欠です。
② 医療用語に対応しているか 一般向けの汎用サービスと、医療分野に対応した仕組みでは差が出ます。
③ 自院固有の言葉を登録できるか 院内の略称や機器名を辞書に追加できるか。
④ 音声データはどこへ行くか 録音や音声データが外部に送信される場合、どこに、どのくらいの期間保存されるのか。学習に使われない契約になっているか。この確認は必須です。
⑤ 電子カルテと直接つながるか 文字起こしの結果を手でコピーしてカルテに貼る運用では、効果が半減します。
⑥ 患者への説明をどうするか 診察の会話を記録する以上、患者への説明方法と、同意の扱いを院内で決めておく必要があります。
セキュリティ面の考え方は AI音声カルテのセキュリティは大丈夫？、製品選定の軸は 電子カルテの音声入力ツール比較 で扱っています。
よくある誤解
「AIが賢ければ環境は関係ない」 → ①で述べたとおり、拾えなかった音は復元できません。マイク環境が最大の変数です。
「100%正確になる」 → なりません。人間でも聞き間違えます。確認を前提にした運用が必要です。
「話すだけでカルテが完成する」 → 文字にはなりますが、記録として整えるのは別の工程です。
「静かにしていれば誰でも同じ精度」 → 話し方や声質による個人差はあります。試用時は複数のスタッフで確認してください。
まとめ
- 音声書き起こしは①音を拾う ②言葉に変換 ③文脈で整えるの3段階。①で拾えなかった音は復元できない
- 精度を左右するのはマイク・周囲の音・話し方・専門用語・話者の重なりの5要因。AIの性能より環境の影響が大きい
- 医療用語の辞書と自院固有の語の登録可否が実務での使い勝手を分ける
- リアルタイムは言い直せる、事後は文脈を広く使えて精度が出やすいという違いがある
- カンファレンスの議事録は効果が見えやすく、最初の一歩に向く
- 「文字になる」と「記録として使える」は別。整理する工程が必要
- 導入前に自院の環境で・実際の声で試すことが不可欠
AIカルテの詳細やデモをご希望の場合は お問い合わせ からご連絡ください。