研究者らは、7台のデバイスにNetflixのコンテンツ134時間分を2回再生した管理下の試験で、スマートスピーカーが毎時0.95回、誤って起動することを確認した(Northeastern UniversityおよびImperial College London、PETS 2020)。別の実験室研究では、8社の11台のスピーカーにテレビ番組とニュース放送を流し、検証済みの偶発的な起動を1,000件以上確認した(Ruhr University BochumおよびMax Planck Institute、arXiv 2020)。こうした誤受理には、今や法的な代償も伴う。GoogleのAssistantの誤受理をめぐる68百万ドルの和解には、2026年10月の最終承認までに期限内で1.49百万件の請求が寄せられた(米国連邦地方裁判所北部カリフォルニア地区、Kumandan v. Google命令書 2026)。認識の面では、7マイクのアレイで録音した家庭でのディナーパーティーのベンチマークにおいて、単語誤り率が近接マイク型ヘッドセットの42.10%から遠距離デバイスの77.52%へと跳ね上がった(DiPCoコーパス論文、2019)。本稿はNortheastern University、Ruhr University Bochum、Amazon Science、Apple Machine Learning Research、Google Research、CHiMEチャレンジの主催者、Johns Hopkins University、そして連邦集団訴訟の2件の記録からデータを集めた。これらのデバイスが何世帯に普及しているかについては、当社のスマートスピーカー利用統計で扱っている。本稿は、それらがどれだけよく聞き取れるかを扱う。
主なポイント
- 研究者らは、近くでテレビ番組を再生している間に、スマートスピーカーの誤起動を毎時0.95回、話された1万語あたり1.43回確認した(Northeastern UniversityおよびImperial College London、PETS 2020)。
- スピーカー1台あたり624時間分の音声で、ウェイクワードCortanaは197回の偶発的な起動を引き起こしたのに対し、Hey Siriは8回だった(Ruhr University BochumおよびMax Planck Institute、arXiv 2020)。
- 偶発的な起動に少なくとも月1回気づいたスマートスピーカーのユーザー:43.7%(Voicebot.ai 2018年調査、Voicebot.ai 2020による報告)。
- 第2段階の分類器は、第1段階の検出器に加えて、Alexaの誤警報を約67%削減した(Amazon Science、ICASSP 2018)。
- Appleのストリーミング・トランスフォーマーは、起動後の音声を1秒追加するだけで誤トリガーの95%を抑制する(Apple Machine Learning Research 2021)。
- HomePodの6マイク処理は、音楽再生中の単語誤り率を相対で約90%改善した(Apple Machine Learning Research 2018)。
- 毎時1回の誤警報の条件でのウェイクワードの誤拒否:近接発話2.00%に対し、遠距離アレイでは5.11%(Personalized Voice Trigger Challenge 2020)。
- 家庭でのディナーパーティーのコーパスにおける単語誤り率:近接発話42.10%に対し、遠距離77.52%(DiPCoコーパス論文、2019)。
- CHiME-7とCHiME-8のチャレンジの最良システムでも、CHiME-6の家庭でのディナーパーティーではtcpWERが30%を上回る(CHiME-7/8 DASRレビュー、arXiv 2025)。
- 66歳から94歳の成人によるAlexaとの2,552回のやり取りのうち24.76%にエラーがあった(Johns Hopkins University、arXiv 2024)。
- GoogleのAssistantの誤受理をめぐる68百万ドルの和解には、期限内に1.49百万件の請求が寄せられた(Kumandan v. Google最終承認命令、2026年10月)。
- Appleの95百万ドルのSiri和解では、意図しない起動に対して1デバイスあたり最大20ドルが支払われる(Lopez v. Apple、和解管理人、2025-2026)。
1. 偶発的な起動:テレビの台詞がスピーカーを起こす頻度
毎時0.95回の誤起動は、リビングのテレビが何時間も続けて流れていること、そして同じ研究で、ローカルで検出された起動(デバイスが光ったもの)のほぼすべてがクラウドにも送信されていたことを思い出すまでは、小さな数字に聞こえる。したがってプライバシー上の問題は、スピーカーがどれだけの頻度で起動するかだけでなく、起動後にどれだけ長く聞き続けるかでもある。
起動の継続時間こそ、NortheasternとImperial Collegeの研究が最も明らかにした点だ。起動の長い方から10分の1は、デバイスによって8~10秒続き、私的な会話を1文丸ごと捉えるのに十分な長さだった。誤起動はランダムなノイズでもなかった。Google Home Miniの起動の20.7%とHomePodの起動の17.7%が、12回の試験の75%超で繰り返された。つまり、特定の台詞が特定のデバイスを確実にだますということだ。Voicebot.aiが報告した所有者調査も、ソファからの視点で同じ話を伝えている。
| 指標 | 値 | 出典 |
|---|---|---|
| 試験対象のスピーカーに再生したコンテンツ | 米国と英国の12のテレビ番組から134時間分を2回、7台のデバイス(Google Home Mini、Apple HomePod、Harman Kardon Invoke、第2世代Echo Dot 2台、第3世代Echo Dot 2台)に再生 | Northeastern UniversityおよびImperial College London、PETS 2020 |
| 確認された誤起動率 | 毎時0.95回、話された1万語あたり1.43回 | Northeastern UniversityおよびImperial College London、PETS 2020 |
| 最も多くの起動を引き起こしたテレビ番組 | The West Wing:平均毎時4.26回の起動、Narcos:台詞1万語あたり6.21回の起動 | Northeastern UniversityおよびImperial College London、PETS 2020 |
| 起動の長い方から10%が達した長さ、最長の単一起動 | HomePodで10秒以上、Google Home Miniで9秒、第2世代Echo Dotで8秒(Echoのウェイクワード)、ある実験では最長43秒で、外れ値として扱った | Northeastern UniversityおよびImperial College London、PETS 2020 |
| 音声アシスタントを誤って起動させたことに少なくとも月1回気づいたスマートスピーカーのユーザー | 43.7% | Voicebot.ai 2018年調査、Voicebot.ai 2020による報告 |
| 1か月の間にアシスタントを誤って起動させた米国の音声検索ユーザー(スマートフォンを含む) | 回答者501人の64% | The Manifest調査、Voicebot.ai 2020による報告 |
| 報告された偶発的な起動のうち、ソフトウェアが明らかな理由なくウェイクワードを検出した割合 | 29% | The Manifest調査、Voicebot.ai 2020による報告 |
入手可能な最新データ:Northeastern UniversityおよびImperial College London、PETS 2020、および2018年から2020年の所有者調査。その後、より大規模な独立した誤起動の測定は公表されていないため、これらが基準となる数値のままである。広く繰り返されている「1日に最大19回」という見出しは、報道に由来するものであり、研究自体が報告した頻度ではない。
2. 最も誤作動しやすいウェイクワード
ウェイクワード間の差は非常に大きい。同じ再生条件で、Cortanaは197回の偶発的な起動を引き起こし、Hey Siriは8回だった。短くて一般的に聞こえるウェイクワードは日常の会話とぶつかる。研究者らは、中国語の「dage」(兄貴)が「Echo」と、ドイツ語の「Am Sonntag」(日曜日に)が天気予報の中で「Amazon」と混同されることを確認した。
クラウドは第2のフィルターとして働くが、不完全だ。Cortanaのローカルな起動のうちサーバー検証を通過したのはごく一部だったが、それでも偶発的な起動に関する論文は、クラウドで確認された起動が10秒以上の音声をアップロードしうることを明らかにした。クラウド検証とは、平たく言えば、会社のサーバー上にある第2の、より大きな認識器が音声を聞き直し、デバイスと意見が食い違えば起動を取り消す仕組みである。
| 指標 | 値 | 出典 |
|---|---|---|
| 試験範囲 | 8社の11台のスマートスピーカー、各24時間の13の主要データセットを2回再生(13 × 24 × 2 = スピーカー1台あたり624時間) | Ruhr University BochumおよびMax Planck Institute、arXiv 2020 |
| ウェイクワード別の偶発的な起動 | Cortana 197回、Alexa 99回、Computer 77回、Amazon 57回、Echo 43回、OK/Hey Google 16回、Hey Siri 8回 | Ruhr University BochumおよびMax Planck Institute、arXiv 2020 |
| クラウド側の検証も通過したCortanaの起動 | 197回中8回(8 / 197 = 4.1%) | Ruhr University BochumおよびMax Planck Institute、arXiv 2020 |
| 10回の再生のうち少なくとも4回再び起動したAmazonとGoogleの起動 | 約75% | Ruhr University BochumおよびMax Planck Institute、arXiv 2020 |
| 同じModern Familyのエピソードによるウェイクワード「Computer」の起動、英語版対ドイツ語版 | 9回対1回 | Ruhr University BochumおよびMax Planck Institute、arXiv 2020 |
| クラウドで確認された起動後にアップロードされた音声と、ローカルのみの起動が止まるまでの時間 | 10秒以上対約1-2秒 | Ruhr University BochumおよびMax Planck Institute、arXiv 2020 |
入手可能な最新データ:Ruhr University BochumおよびMax Planck Institute、arXiv 2020。Alexaの件数は、論文の本文では99、要約表の1行では100と記載されている。本稿では本文の数値を採用する。
3. ウェイクワード検出:誤拒否と誤警報のトレードオフ
あらゆるウェイクワードエンジンは、2種類のエラーの間でバランスを取る。誤拒否とは、スピーカーが本物の「Alexa」や「Hey Siri」を無視することであり、誤警報(誤受理や誤トリガーとも呼ばれる)とは、誰もウェイクワードを発していないのに起動してしまうことだ。エンジニアは一方のエラー率を固定し、もう一方を下げようとする。そのため結果は「誤警報レベルを固定したときの相対的な削減」や「毎時0.1回の誤受理の条件で」という形で示される。
ベンダー全体に共通するのは、多層防御というパターンだ。ここでの代表的な成果はAppleのもので、わずか1秒の追加音声で誤トリガーの95%を抑制した(Apple Machine Learning Research 2021)。Amazonの2段階検出器とAppleのラティスに基づく検証も同じ論理を示している。安価で常時稼働する検出器がデバイスを起こし、より重い第2段階が聞き続けるかどうかを判断する。
| 指標 | 値 | 出典 |
|---|---|---|
| 背景音声モデリングを備えた2段階のオンデバイス検出器:誤警報レベルを固定したときの誤拒否、見逃し率を固定したときの誤警報 | 相対で約16%削減、相対で約37%削減 | Amazon Science、ICASSP 2018 |
| 第1段階の検出器に加えた第2段階の分類器 | 誤警報が約67%減少 | Amazon Science、ICASSP 2018 |
| 補完的な言語モデルを用いた誤トリガー率(本物のリクエストの誤抑制を0.4%に固定) | 相対で38.34%削減、並列モデルでさらに10.8%削減 | Apple、Interspeech 2020 |
| 起動後1秒の音声を用いたストリーミング・トランスフォーマーが抑制した誤トリガー | 95% | Apple Machine Learning Research 2021 |
| 同じストリーミングモデルと非ストリーミング版の比較 | 誤拒否が平均で相対18%削減、実行時メモリが32%減、推論時間が56%減 | Apple Machine Learning Research 2021 |
| 各マイクで動かす単一チャネルモデルと比較したマルチマイクネットワーク(毎時0.1回の誤受理の条件) | 2マイクの試験セットで、誤拒否が相対でクリーン27.2%、雑音下31.8%削減 | Google Research、Odyssey 2020 |
| Siriの音声トリガーの設計 | 7種類のデバイスにまたがる2つのトリガーフレーズ(「Hey Siri」と「Siri」)、第1パスのネットワークは重み1つあたり4ビットに圧縮 | Apple Machine Learning Research 2023 |
背景:ベンダーは、出荷製品の絶対的な誤受理率をほとんど公表せず、相対的な改善だけを示す。補完的言語モデルの論文とGoogleのマルチチャネル論文もこの慣行に従っている。出荷システムのアーキテクチャに関する入手可能な最新データ:Apple Machine Learning Research、Voice Trigger System for Siri、2023。
4. ビームフォーミングと音響フロントエンド
ビームフォーミングとは、複数のマイクの信号を組み合わせ、アレイが話者の方向に「耳を向け」、雑音から遠ざかるようにすることをいう。エコーキャンセレーションとは、スピーカー自身の音楽を、そのマイクが拾う音から差し引くことをいう。どちらも重要なのは、Appleの測定によれば、デバイス自身の再生音が、聞き取ろうとしている声より30-40 dB大きくなりうるからだ(Apple Machine Learning Research 2018)。
効果が最も大きいのは、まさにスマートスピーカーが最も苦戦する場面、つまり自らの音楽の再生中である。Amazonの多層エコーキャンセレーションの取り組みも同程度の規模の数値を報告している。同じ指向性の原理は、補聴器で耳元の雑音を小さくする。これは当社の指向性マイク補聴器のSNR統計が示すとおりであり、スマートスピーカーはそれを部屋の向こう側から適用している。
| 指標 | 値 | 出典 |
|---|---|---|
| Apple HomePodのマイク数、音声強調の処理コスト | 6個、1.4 GHzのA8コア1個の15%未満 | Apple Machine Learning Research 2018 |
| デバイスの再生音(エコー)と遠距離の音声の比較、大音量でのリニアエコーキャンセレーション後の残留エコー | 30-40 dB大きい、遠距離の音声より10-20 dB大きい | Apple Machine Learning Research 2018 |
| HomePodのマルチチャネル処理による単語誤り率の相対的な改善 | 約40%(残響のある音声)、90%(再生中)、74%(大きな背景雑音)、61%(競合する話者) | Apple Machine Learning Research 2018 |
| 競合する話者がいる場合の「Hey Siri」の誤拒否の絶対的な改善 | マスクベースの雑音低減との比較で29.0%、ベースラインの信号処理出力との比較で30.3% | Apple Machine Learning Research 2018 |
| EchoデバイスにおけるAmazonの多層システムによるエコーと雑音の低減 | エコー約40 dB低減、雑音約19 dB低減 | Amazon Science 2018 |
| 3つの層(AmazonはSBNR、SBRES、NLECと呼ぶ)による単語誤り率の相対的な改善 | 約22%、14%、17% | Amazon Science 2018 |
| DiPCoの家庭録音における遠距離デバイスのアレイ | 7マイク:半径35 mmの円周上に6個と中央に1個 | DiPCoコーパス論文、2019 |
| CHiME-6の各家庭でのディナーパーティーで使われたアレイ | 4チャネルのリニアアレイを備えたMicrosoft Kinectデバイス6台(アレイのマイク24個) | CHiME-6チャレンジ論文、2020 |
入手可能な最新データ:Apple Machine Learning Research 2018とAmazon Science 2018。両社ともその後より新しいハードウェアを出荷しているが、どちらも比較可能なフロントエンドの測定結果を公表していない。
5. 遠距離音声認識における距離のペナルティ
マイクを口元から部屋の反対側へ移すと、管理された試験では認識エラーがほぼ倍増する。同じディナーパーティーのセッションで、単語誤り率は近接マイク型ヘッドセットの42.10%から遠距離デバイスの77.52%に上昇した(DiPCoコーパス論文、2019)。また、Personalized Voice Trigger Challengeにおけるウェイクワードの誤拒否も、遠距離アレイでは近接発話の電話の2倍以上高かった。
家庭内の会話音声は、単一のコマンドよりはるかに難しい。人々は互いに話を重ね、部屋を移動し、料理をする。表を読むには2つの用語が役立つ。誘導型音源分離(GSS)は、誰がいつ話したかというタイミング情報を使って各声を引き離すマルチマイクの手法であり、tcpWERは、誤った話者や誤った時点に割り当てられた単語にもペナルティを科す単語誤り率である。CHiME-7とCHiME-8のレビューは、長年の進歩を経ても、家庭でのディナーパーティーが依然として最も難しいシナリオであることを示している。
| 指標 | 値 | 出典 |
|---|---|---|
| 毎時1回の誤警報の条件でのウェイクワードの誤拒否、近接発話の電話対遠距離マイクアレイ(開発セット) | 2.00%対5.11% | Personalized Voice Trigger Challenge 2020 |
| チャレンジの録音設定 | 612時間、658,995発話、550人の話者、スマートホームとして作られた部屋で1 m、3 m、5 mの距離に置いた4または6チャネルのアレイ | Personalized Voice Trigger Challenge 2020 |
| 遠距離スマートホームのウェイクワード(「Xiao T, Xiao T」)、評価セット:誤拒否と誤警報 | 音声のみの最良システム6.38%と4.65%、音声と映像を併用する最良システム2.15%と3.44%、音声と映像を併用する公式ベースライン10.1%と15% | Duke Kunshan Universityのシステム、ICASSP 2023(MISP 2021チャレンジ) |
| 単語誤り率、近接マイク型ヘッドセット対遠距離の7マイクデバイス(評価セット) | 42.10%対77.52% | DiPCoコーパス論文、2019 |
| CHiME-6ベースラインの単語誤り率(開発/評価)、GSS使用時と従来型ビームフォーマー(BeamformIt)使用時の比較 | 51.8% / 51.3%対69.8% / 61.2% | CHiME-6チャレンジ論文、2020 |
| システムが誰がいつ話したかも突き止めなければならない場合のCHiME-6ベースライン(開発/評価) | 84.3% / 77.9% | CHiME-6チャレンジ論文、2020 |
| CHiME-5最良システムの単語誤り率(開発/評価) | 45.6% / 46.6%(USTC-iFlytek) | CHiME-6チャレンジ論文、2020 |
| CHiME-7/8の最良システムのCHiME-6におけるtcpWER、CHiME-8への参加 | 30%超、9チームが32システムを提出 | CHiME-7/8 DASRレビュー、arXiv 2025 |
背景:チャレンジの数値は短いコマンドではなく自由な会話を測定しているため、「タイマーをセットして」のような指示でスピーカーが起こすエラーを過大に見せる。それでも、部屋そのものがどれだけのコストを生むかについては、公開されている最良の証拠であり、CHiME-6の論文は、従来型ビームフォーマーからGSSに替えるだけで、開発セットで約18ポイントの価値があったことを示している(69.8%から51.8%を引いた値)。
6. 聞き取られにくいのは誰か:自宅の高齢者
ウェイクワードや認識の失敗は、均等に分布しているわけではない。1か月間の自宅での実証で、66歳から94歳の成人によるAlexaとのやり取りの24.76%にエラーがあった(Johns Hopkins University、arXiv 2024)。しかもエラー率は4週間を通じて下がらなかった。リクエストを聞き取ること自体は問題の一部にすぎず、意図の誤解が単独で最大のエラーカテゴリだった。
ウェイクワード自体も人をつまずかせる。「Alexis」のような惜しい言い間違いは、誤起動よりも多くの失敗の原因となっており、これはセクション1のテレビの問題の裏返しだ。デバイスは持ち主には厳しく、テレビには寛容なのである。アクセントや方言による差は、当社の音声認識のアクセントバイアス統計で扱っている。このセクションでは年齢と認知機能に絞る。
| 指標 | 値 | 出典 |
|---|---|---|
| エラーのあったやり取り、66歳から94歳の15世帯、Echo Dot、4週間 | 24.76%(2,552回中632回) | Johns Hopkins University、arXiv 2024 |
| 全エラーに占める音声認識エラーの割合 | 24.4%(632件中154件) | Johns Hopkins University、arXiv 2024 |
| Alexaがリクエストをまったく拾わなかったエラー(「聞き取られなかった」) | 10.9%(632件中69件) | Johns Hopkins University、arXiv 2024 |
| 誤ったウェイクワード(たとえば「Alexis」)を発したことによるエラー | 7.8%(632件中49件) | Johns Hopkins University、arXiv 2024 |
| 誤起動(誤トリガー)によるエラー、再試行で解消した割合 | 2.4%(632件中15件)、6.7% | Johns Hopkins University、arXiv 2024 |
| 意図認識の失敗、最大のエラーカテゴリ | 32.3%(632件中204件) | Johns Hopkins University、arXiv 2024 |
| 83人の高齢者が読み上げたAlexaのコマンドにおける音声認識エラー、認知症群対認知機能が正常な群 | 認知症群で有意に高い | Cohn氏ら、arXiv 2026 |
2026年の認知症研究は、話者の声の強さ、声質、ポーズの比率が認識精度を予測したと報告している。これは年齢による差を音響に結びつけるものだ。小さく息の多い声は、アレイに届くまでに部屋の中でより多くのエネルギーを失う。
7. 法廷と企業ポリシーにおける誤受理
誤受理は、実験室の指標から法的責任へと移った。Googleの和解の対象期間は2016年5月18日に始まり、プライバシークラスは誤受理の録音を中心に定義されている。173,814,291件のアドレスに電子メールで通知が送られたのに対し、期限内の請求は1.49百万件に達した(米国連邦地方裁判所北部カリフォルニア地区、Kumandan v. Google最終承認命令、2026年10月)。当社の計算では、これは通知を受けたアドレスの約0.86%に相当する請求率である(1.49百万 / 173,814,291)。命令書自体は請求率を記載していない。
Appleの並行するSiri和解は、10年間にわたる私的な会話中の意図しないSiriの起動を対象としている。企業のポリシーも変わった。Appleは2025年1月、ユーザーが明示的にオプトインしない限り、Siriとのやり取りの音声録音を保持しないと表明した(Apple Newsroom 2025)。
| 指標 | 値 | 出典 |
|---|---|---|
| Google Assistantの誤受理和解基金、最終承認日 | 68,000,000ドル、返還なし、2026年10月13日 | 米国連邦地方裁判所北部カリフォルニア地区、Kumandan v. Google命令書 2026 |
| 通知の配信とオプトアウト | 173,814,291件のアドレスに電子メール、98.76%が配信、有効な除外申請217件、異議7件 | 米国連邦地方裁判所北部カリフォルニア地区、Kumandan v. Google命令書 2026 |
| クラス構成員1人あたりの推定支払額 | 約18 | 米国連邦地方裁判所北部カリフォルニア地区、Kumandan v. Google命令書 2026 |
| 認められた弁護士費用 | 22,666,666.70ドル(基金の3分の1) | 米国連邦地方裁判所北部カリフォルニア地区、Kumandan v. Google命令書 2026 |
| Appleの意図しないSiri起動に関する和解 | 95百万ドルの基金、Siriデバイス1台あたり最大20ドル、最大5台まで、対象期間は2014年9月17日から2024年12月31日 | Lopez v. Apple、和解管理人、2025-2026 |
| 言語専門家が確認したAssistantの音声スニペットの割合 | 約0.2% | Google、The Keywordブログ、2019年7月 |
| Appleが評価を停止する前に、人間の評価者が聞いたSiriのリクエストの割合 | 0.2%未満 | Apple Newsroom、2019年8月 |
背景:Googleの2019年の音声データに関する声明は誤受理をまれなものと説明し、Appleの2019年の声明は、意図しない起動と判断された録音を削除することを約束した。どちらの会社も誤受理の頻度を公表していないため、セクション1と2の実験室研究が引き続き主要な公開証拠となっている。
まとめ:数字で見る遠距離スマートスピーカーのビームフォーミングとウェイクワード精度
| 指標 | 値 | 出典 |
|---|---|---|
| 近くでテレビ番組を再生している間の誤起動 | 毎時0.95回、1万語あたり1.43回 | Northeastern UniversityおよびImperial College London、PETS 2020 |
| 起動の長い方から10% | デバイスにより8~10秒以上 | Northeastern UniversityおよびImperial College London、PETS 2020 |
| 偶発的な起動、CortanaとHey Siriの比較、スピーカー1台あたり624時間 | 197回対8回 | Ruhr University BochumおよびMax Planck Institute、arXiv 2020 |
| 偶発的な起動に少なくとも月1回気づくスマートスピーカーのユーザー | 43.7% | Voicebot.ai 2018年調査、Voicebot.ai 2020による報告 |
| 第2段階の分類器が取り除いた誤警報 | 約67% | Amazon Science、ICASSP 2018 |
| 補完的な言語モデルによる誤トリガーの削減 | 相対で38.34% | Apple、Interspeech 2020 |
| 1秒の追加音声で抑制された誤トリガー | 95% | Apple Machine Learning Research 2021 |
| 毎時0.1回の誤受理の条件での2マイクネットワークによる誤拒否の削減 | クリーン27.2%、雑音下31.8% | Google Research、Odyssey 2020 |
| デバイスの再生音と遠距離の音声のレベルの比較 | 30-40 dB大きい | Apple Machine Learning Research 2018 |
| 再生中のHomePod処理による単語誤り率の改善 | 相対で約90% | Apple Machine Learning Research 2018 |
| Echoデバイスのエコー低減 | 約40 dB | Amazon Science 2018 |
| ウェイクワードの誤拒否、近接発話対遠距離 | 2.00%対5.11% | Personalized Voice Trigger Challenge 2020 |
| 音声と映像を併用する遠距離ウェイクワードの最良システム、誤拒否と誤警報 | 2.15%と3.44% | Duke Kunshan Universityのシステム、ICASSP 2023 |
| 単語誤り率、近接発話対遠距離 | 42.10%対77.52% | DiPCoコーパス論文、2019 |
| CHiME-6ベースライン、GSSと従来型ビームフォーマーの比較(開発セット) | 51.8%対69.8% | CHiME-6チャレンジ論文、2020 |
| CHiME-6の家庭でのディナーパーティーにおけるCHiME-7/8の最良システム | tcpWERで30%超 | CHiME-7/8 DASRレビュー、arXiv 2025 |
| エラーのあったAlexaとのやり取り、66歳から94歳の成人 | 24.76% | Johns Hopkins University、arXiv 2024 |
| Google Assistantの誤受理和解と期限内の請求 | 68百万ドル、1.49百万件 | 米国連邦地方裁判所北部カリフォルニア地区、Kumandan v. Google命令書 2026 |
| Appleの意図しないSiri起動に関する和解 | 95百万ドル、1デバイスあたり最大20ドル | Lopez v. Apple、和解管理人、2025-2026 |
方法論と出典
本稿では15回の検索を行い、上記のすべての数値について、一次の論文、裁判記録、または企業のページを読んだ。相対的な改善しか公表されていない場合は相対的な数値として報告し、相対的な改善を絶対的な率に換算することはしていない。2つの和解の数値は、裁判所と和解管理人の記録であり、技術的な測定値ではない。
- Northeastern UniversityおよびImperial College London、When Speakers Are All Ears: Characterizing Misactivations of IoT Smart Speakers、PETS 2020
- Voicebot.ai、The Manifest調査とVoicebot 2018年調査に関する報告、2020年1月
- Ruhr University BochumおよびMax Planck Institute for Security and Privacy、Unacceptable, where is my privacy? Exploring Accidental Triggers of Smart Speakers、arXiv 2020
- Amazon Science、Monophone-based Background Modeling for Two-stage On-device Wake Word Detection、ICASSP 2018
- Amazon Science、スマートスピーカー向けの多層エコーキャンセレーションと音声強調、2018
- Apple Machine Learning Research、Complementary Language Model and Parallel Bi-LRNN for False Trigger Mitigation、Interspeech 2020
- Apple Machine Learning Research、Streaming Transformer for Hardware Efficient Voice Trigger Detection and False Trigger Mitigation、2021
- Apple Machine Learning Research、Voice Trigger System for Siri、2023
- Apple Machine Learning Research、Optimizing Siri on HomePod in Far-Field Settings、2018
- Google Research、Small Footprint Multi-channel Keyword Spotting、Odyssey 2020
- The 2020 Personalized Voice Trigger Challenge: Open Database, Evaluation Metrics and the Baseline Systems、arXiv 2021
- Duke Kunshan University、Post-Challenge Audio-Visual Wake Word Spotting System for the MISP 2021 Challenge、ICASSP 2023
- DiPCo、Dinner Party Corpus、2019
- CHiME-6 Challenge: Tackling Multispeaker Speech Recognition for Unsegmented Recordings、2020
- Cornell氏ら、Recent Trends in Distant Conversational Speech Recognition: A Review of CHiME-7 and 8 DASR Challenges、arXiv 2025
- Johns Hopkins University、Situated Understanding of Errors in Older Adults’ Interactions with Voice Assistants: A Month-Long, In-Home Study、arXiv 2024
- Cohn氏ら、Amazon Alexaを使用した認知症のある高齢者とない高齢者の音声認識エラー、arXiv 2026
- 米国連邦地方裁判所北部カリフォルニア地区、Kumandan v. Google、最終承認命令、2026年10月13日
- Lopez v. Apple、Lopez Voice Assistant Settlement管理人のサイト、2025-2026
- Google、More information about our processes to safeguard speech data、2019年7月
- Apple Newsroom、Improving Siri’s privacy protections、2019年8月
- Apple Newsroom、Our longstanding privacy commitment with Siri、2025年1月
- データウォッチ:本稿の技術的な測定値の大半は2018年から2023年のものである。スマートスピーカーのメーカーは、出荷デバイスの絶対的な誤受理率ではなく、相対的な改善とアーキテクチャの解説を公表するためだ。2018年から2021年の数値はすべて、現行製品の性能ではなく入手可能な最新データとして扱ってほしい。Northeasternの研究について出回っている「1日に最大19回」という数値は報道の見出しであり、研究が報告した率ではない。偶発的な起動に関する論文は、Alexaの起動を本文では99回、要約表の1行では100回と記載している。Googleのマルチチャネル論文は、同社のGoogle Researchのページでは誤拒否の削減率27.2%と31.8%で掲載されているが、関連バージョンを載せた他の一覧には異なる数値が示されているため、自分が読んだバージョンを引用すること。Johns Hopkinsの研究は、週ごとのエラー率を本文では20-30%、図の説明では21-26%としている。Voicebotの2018年調査とThe Manifest調査は比較できない(後者はスマートフォンとボタン操作を含む)。Googleの和解金は、2026年10月の命令時点ではまだ支払われておらず、命令書は2026年9月17日時点の請求と、受理される可能性のある40,000件超の遅延請求を報告している。
最終更新日:2026年10月24日。当社はこのまとめを四半期ごとに更新しており、次回の更新は、Kumandan v. Googleの和解金が支払われ、ICASSP 2027の論文集が公開される時期を予定している。