話者分離（スピーカーアイソレーション）とは何か、ノイズキャンセリングとの違い

スピーカーアイソレーションは、選ばれた1人の話者の声を残し、他の人の発話を含むそれ以外の信号をすべて除去します。 ノイズキャンセリングは非発話ノイズ（ファン、交通、キーボード）を除去し、発話はすべて残すため、2人目の声はそのまま通過します。

違いを1つの表で

項目	話者分離（スピーカーアイソレーション）	ノイズキャンセリング
残すもの	1人の話者	すべての発話
除くもの	他の話者の声と非発話ノイズ	非発話ノイズ（ファン、交通、キーボード）
典型的な用途	音声エージェント、コールセンター、オープンオフィス	会議、ヘッドセット、録音

この違いが音声エージェントで重要なのは、認識器が聞こえた声をすべて文字起こしするからです。ノイズキャンセリングは発信者と背後のテレビを区別できません。どちらも発話だからです。アイソレーションはその選択をしなければならず、より難しくリスクも高い問題です。モデルが誤った話者を選んだり、正しい話者の音声を傷つけたりすれば、精度は上がるどころか下がります。

計測結果

アイソレーションも他のものと同じく、何もしないコントロールと比較して Null Test で採点しています。2人の声の条件は、LibriSpeechの2人目の声を指定レベルで対象の下に重ねたものです。以下は2026-08-14の実行（認識器 faster-whisper:base.en、10話者、エンジンあたり190クリップ、16 kHz）の数値で、/benchmark に掲載されています。

条件（Null Test、2026-08-14）	未処理のWER	Anecho v8_2のWER
2人の声、0 dB	84.74%	74.21%
2人の声、5 dB	26.32%	31.05%
2人の声、10 dB	6.32%	12.11%
バブル雑音、5 dB	24.74%	20.53%
19条件のプール	14.32%	16.59%

アイソレーションは、2人目の声が対象と同じ大きさ（0 dB）のとき、およびバブル雑音で効果があり、5 dB と 10 dB、そして19条件のプールでは悪化させます。プール結果は私たちの行が表に載っていますにまとめています。要するに、すべての音声に対して常時オンにするアイソレーションをデータは支持していません。コーパスは小さく、注意点は方法論にあります。

違いが選択を左右するとき

音声が騒がしい部屋の1人だけなら、ノイズキャンセリングが適した道具です。1人に加えて文字起こしすべきでない他の人がいる場合は、アイソレーションだけが対処できますが、あらゆる場所でオンにする前に自社のトラフィックで計測してください。話者分離の評価方法を参照してください。

FAQ

スピーカーアイソレーションは話者ダイアライゼーションと同じですか？

いいえ。ダイアライゼーションは誰がいつ話したかにラベルを付け、音声はすべて残します。アイソレーションは音声そのものを変更し、1人の話者だけを残します。

スピーカーアイソレーションは文字起こしの精度を上げますか？

デフォルトでは上がりません。2026-08-14の実行では、表の4条件のうち2条件でWERを下げましたが、プールWERは14.32%から16.59%に上がりました。自社の音声で計測してください。

ノイズキャンセリングで2人目の声を除去できますか？

一般にできません。2人目の声は発話であり、ノイズキャンセリングは発話を保持するよう設計されているためです。