スマートスピーカーはどうやって呼びかけに気づくの?

コハク
コハク名前を呼ぶと、スマートスピーカーがぱっと反応しますわね。どうして気づけるのでしょう?
30秒でわかる答え
コハク本体の中で、呼びかけの音の形だけを探しているのですわ。

スマートスピーカーの本体では、呼びかけの言葉(ウェイクワード)の音の形だけを探す小さなしくみが動いていて、マイクの音と照らし合わせています。合っていると判断した時だけ、続く声をインターネットの先のサーバーへ送り、言葉をもう一度確かめてから、くわしく聞き取ります。

コハク
コハクそれでは、くわしく解説していきますわね。
布でおおわれた、丸くて小さなスマートスピーカー
小型のスマートスピーカー。上の面にボタンが並んでいます。写真:Samuel Wiki / CC0 / ウィキメディア・コモンズ

呼びかけの音の形だけを探している

Amazonの説明によると、Echoは「キーワードスポッティング」という技術で、聞こえた音を、呼びかけの言葉の音の形と照らし合わせています。話し声や水の音、鳥の声などは、茶こしを水が通るように流れていき、呼びかけの言葉が「引っかかった」時だけ、音がクラウドへ送られて、もう一度確かめられます。Googleも、待っている間は数秒の短い音を本体で調べ、呼びかけが見つからなければ、その音は送りも保存もしないと説明しています。

図:呼びかけに気づくまで
スマートスピーカーの断面で、呼びかけの声の形を部品が比べ、合わない音は消え、合った時だけ声が雲のサーバーへ送られる図
  1. 1呼びかける声
  2. 2本体の中で、呼びかけの言葉の音の形と比べる部品
  3. 3形が合わない音は送らずに流れて消える
  4. 4合った時だけ、続く声がサーバーへ送られる

音を数字にして、スコアで決める

Appleが2017年に公開した「Hey Siri」の説明を見ると、中の様子が分かります。マイクの音は1秒に16000回の数字になり、約0.01秒ごとの音の特徴に分けられます。それを約20個分、つまり0.2秒ずつ、ディープニューラルネットワークという計算のしくみに入れて、「Hey Siri」に出てくる音のどれに近いかを数字で出します。その数字を時間の順に足し合わせたスコアが、決めた線(しきい値)を超えると起動します。

小さなしくみと大きなしくみの2段がまえ

電池を減らさない工夫もあります。iPhoneでは、いつも動いている小さな補助プロセッサーが、小さなモデルで聞き続けます。スコアが超えると、メインのプロセッサーが目を覚まし、大きなモデルでもう一度調べます。最後にサーバーの音声認識でも聞き直し、「Hey Seriously」のような別の言葉だったら取り消します。

図:「Hey Siri」の確かめ方
小さな補助プロセッサー小さなモデルでいつも聞いているメインのプロセッサースコアが超えたら大きなモデルで確認サーバーメインの音声認識でもう一度聞き直す
コハク
コハク小さなしくみで聞き続け、大きなしくみで確かめる。電池にもやさしい作戦ですのね。

似た音でまちがえることも

それでも、似た音でまちがえて反応することがあります。Amazonは、会話の中の「Lexus(レクサス)」を呼びかけと取りちがえる小さな可能性を例にあげています。家族の名前が似ている時は、呼びかけの言葉を「Echo」「Amazon」「Computer」「Ziggy」に変えられます。聞き取りが始まると本体のライトがつくので、いつ聞いているかが分かります。

もっと知りたい

  • Appleには、スコアがしきい値に少し届かなかった時、数秒だけ反応しやすい状態にして、もう一度言えば起動する「2度目のチャンス」のしくみがあります。
  • Apple Watchは電池が小さいので、手首を上げて画面がついた時だけ、「Hey Siri」を探すしくみが動きます。
  • 2017年の説明では、iPhoneで最初に「Hey Siri」で始まる5つの文を言って登録し、登録した人の声に近いかどうかも比べて、ほかの人の声での反応を減らしています。
コハク
コハク呼びかけの音だけを待ち、合った時に声を送る。それが、呼びかけに気づくしくみですわ。

3択クイズで確かめよう

コハク読んだことを思い出して、ひとつ挑戦してみてくださいませ。

呼びかけを待つ間、本体は何をする?

答えを見る
  1. 会話を全部録音する
  2. 呼びかけの音の形を探す
  3. ずっと電源が切れている

呼びかけの音の形を探す 本体は、聞こえた音を呼びかけの言葉の音の形と照らし合わせ、合った時だけ声をサーバーへ送ります。

参考資料
  1. How Alexa works: Wake wordAmazon(英語)
  2. Hey Siri: An On-device DNN-powered Voice Trigger for Apple’s Personal AssistantApple Machine Learning Research(英語)
  3. Data security and privacy on devices that work with AssistantGoogle Nest Help(英語)

内容は 2026-10-03 時点で上の資料を確認して書いています。研究が進んで説明が変わることもあります。写真のクレジットは各写真の下にあります。

次の雑学 ▶

テクノロジースマホのカメラはなぜ暗くても明るく撮れるの?暗い夜道なのに、スマホで撮ると明るく写る…ふしぎだと思いませんこと?
NANI?! どうぶつ図鑑
好奇心の森の本、Amazonで発売中NANI?! どうぶつ図鑑

びっくりネタ40こを、大きな写真と短い文で。子どもと一緒に読める雑学図鑑です。Kindle Unlimitedなら読み放題で読めます。

Amazonで見る