音響モデルは、音声認識システムにおいて、マイクなどから入力された音声信号の特徴量と、言語の音素（子音や母音など）との対応関係を表現した数理モデルです。人間の声がどのような音として表現されているかを分析・判定する役割を持ち、ディープラーニングなどのAI技術の導入により、認識精度が飛躍的に向上しています。
音響モデルとは
音響モデル（Acoustic Model）とは、音声認識において「入力された音声データ（空気の振動）」を「音素（「あ」「い」「う」や子音・母音などの最小の音の単位）」へと変換・判定するための仕組み（数理モデル）です。
詳しく解説
音声認識は主に「音響モデル」「発音辞書」「言語モデル」の3つの要素で構成されています。その中で音響モデルは、音声の生の波形から抽出された特徴量（周波数成分の変化など）を分析し、それがどの音素に該当するかの確率を計算する役割を担います。従来の音声認識システムでは、隠れマルコフモデル（HMM）や混合ガウスモデル（GMM）を組み合わせた手法が主流でした。しかし近年では、ディープラーニング（深層学習）が導入されたことで、多様な話者の声質、なまり、背景雑音に対する頑健性が大幅に向上し、音声認識の精度向上のブレイクスルーとなりました。最近では、音響モデルと言語モデルを統合したEnd-to-End（E2E）音声認識モデルも普及しつつあります。
具体例・使われ方
具体的な利用例としては、スマートフォンに搭載された音声アシスタント（SiriやGoogle アシスタントなど）や、スマートスピーカーによる音声コマンドの解析が挙げられます。また、会議の音声をリアルタイムで文字起こしするサービスや、コールセンターでの会話記録のテキスト化においても、高精度な音響モデルが活躍しています。これらのシステムでは、マイクが拾った音声特徴量から正確に音素を特定するために音響モデルが不可欠です。
似た用語との違い
音響モデルと混同されやすいものに「言語モデル」や「発音辞書」があります。音響モデルは「声がどのような音（音素）に聞こえるか」を判定するのに対し、発音辞書は「音素の組み合わせがどのような単語になるか」を対応付けます。そして言語モデルは「単語のつながりが日本語としてどれだけ自然か（文脈としての正しさ）」を確率的に判定します。例えば、耳で「きょーはてんきがいー」という音素を特定するのが「音響モデル」であり、それを「今日は天気が良い」という日本語の単語や文脈として最も尤もらしい表現に整えるのが「発音辞書」と「言語モデル」の役割です。
注意点
音響モデルの限界として、学習データに含まれない環境下での精度低下が挙げられます。例えば、極端な騒音環境下、反響の激しい部屋、特殊な方言や滑舌、あるいは幼児の声など、事前に学習していない音声特徴量に対しては認識精度が著しく低下することがあります。また、音響モデル単体では音素を特定するまでしかできないため、単語や文章としての意味を持ったテキストを出力するには、必ず言語モデルや発音辞書（あるいはこれらを統合したシステム）と組み合わせる必要があります。