リアルタイム面接音声-to-Textの仕組み

リアルタイム面接文字起こしは、2つの別々のオーディオストリームを同時にキャプチャすることに依存します：

• システムオーディオ（ループバック） — Zoom、Google Meet、またはMicrosoft Teamsを通じて届く面接官の声。
• マイクオーディオ — あなたが話す自分の声。

SubcueAIのネイティブデスクトップアプリは、macOSとWindowsで利用可能な標準オペレーティングシステムオーディオAPIを使用して、両方のストリームを同時にキャプチャします。キャプチャはOSレベルで行われるため、ミーティングアプリ自体の中ではなく、ブラウザプラグインやミーティングボットは必要ありません。結合されたストリームは音声認識エンジンに渡されます。

オーディオがキャプチャされると、完全な文を待つのではなく、短い重なり合うオーディオチャンクで動作するストリーミング音声-to-Textパイプラインを通過します。このアプローチにより、音声から読み取り可能なテキストまでの遅延を低く抑えられます — 通常、数秒程度です。

• Voice Activity Detection (VAD)は沈黙をフィルタリングし、エンジンが音声を含むフレームのみを処理するようにして、ノイズを減らし処理時間を節約します。
• 音響モデリングはオーディオ特徴を音素に、次に単語にマッピングします。大規模な音声データセットで訓練されたニューラルネットワークを使用します。
• 言語モデリングは単語シーケンスを確率でランク付けし、面接でよく使われる専門用語や固有名詞の精度を向上させます。

結果として、会話の進行に合わせて継続的に更新されるローリングトランスクリプトが生成されます。

ライブトランスクリプトはSubcueAIの回答提案レイヤーへの入力となります。システムが文構造や句読点の手がかりに基づいて質問がされたことを検出すると、関連するコンテキストを大規模言語モデル（LLM）に送信し、提案される応答を生成します。

• 提案はSubcueAIのフローティングローカルオーバーレイに表示され、あなたの画面上でのみ表示されます — ミーティングウィンドウには共有されません。
• オーバーレイは共有画面領域から外れるように設計されているため、画面共有を見ている参加者には表示されません。
• 提案を読み、適応させ、または無視することができます。このツールはあなたの思考をサポートするためのものであり、逐語的にスクリプト化するためのものではありません。

面接前にオーバーレイの位置決めに関するガイダンスについては、セットアップチュートリアルをご覧ください。

リアルタイム文字起こしの品質は、アプリの完全な制御外にあるいくつかの要因に依存します：

• マイクの品質と背景ノイズ — ヘッドセットマイクは内蔵ラップトップマイクよりも大幅に精度を向上させます。
• インターネット接続 — AI推論ステップがクラウド支援の場合、ネットワーク遅延が応答時間に追加されます。
• アクセントと話すペース — 現代のニューラル音声モデルは幅広いアクセントを扱いますが、完璧ではありません。
• 監督付きまたは録画される面接 — SubcueAIのオーバーレイはローカルでプライベートですが、画面録画または監督付き環境では、注意深く位置決めまたは非表示にしない場合、オーバーレイが録画に表示される可能性があります。支援ツールを使用する前に、特定の面接のルールを必ず確認してください。

プライバシーと面接官が見られるものについてのより広い視点については、セキュリティとプライバシーページをご覧ください。