テックブログ

看護記録の音声入力で、声が小さいと録音が無音として止まるのはなぜか

目次
  1. 先に、言葉の整理
  2. なぜ、声が小さいと無音として止まるのか
  3. いまの流れを確かめ、これまでとこれからを整理しました
  4. 線を下げるだけでは、無音からの捏造が戻ってくる
  5. 守りを2枚にする: 短い吹き込みの線と、字数の上限
  6. 正常な吹き込みまで止めていないか
  7. 直さないと決めたこともある
  8. 自院の音声入力で、同じことが起きていないか

訪問看護の記録を、スマートフォンに声で吹き込んで下書きにする。MENTRA の看護記録では、訪問を終えた看護師が端末に向かって話し、AIが下書きを作ります。

その吹き込みが、ある職員の方だけ、何度も止まっていました。画面に出るのは「録音から文字起こしできませんでした」、続けて「マイクが音を拾っていないか、音声を読み取れませんでした」。話したのに、です。録り直すと通ることもあれば、また止まることもある。同じ訪問で録り直しが続く日もありました。

原因は、AIが無音から文章を作ってしまう事故を防ぐために入れた守りでした。この記事では、看護記録の音声入力で、声が小さいと録音が無音として止まる理由と、守りを外さずに通すようにした設計、そして線をどう決めたかを、実装と本番の音声の実測でご説明します。

先に、言葉の整理

言葉 どういうものか
吹き込み 看護師がひとりで、端末に向かって記録の内容を話す録音。利用者さんとの会話の録音とは分けて扱う
有音の時間 録音の中で、音の大きさが決めた値(−50 dBFS)を超えていた時間の合計
dBFS 音の大きさの単位。録音できる最大の音を 0 とし、小さい音ほどマイナスが大きくなる
線(しきい値) 「声あり」と判定するのに要る有音の時間。これに届かない録音を「無音」として止める
捏造(ハルシネーション) 音声に無い内容を、AIがもっともらしい文章として書き出すこと
文字起こし 録音の声を文字にする工程。MENTRA では、この結果から記録の下書きを作る
録音中の文字起こし 録音しているあいだに出る文字。本番の文字起こしとは別のAIモデルが作る。今回は「話していたか」を確かめる別の耳として使った
字数の上限 文字起こしの字数が、録音1秒あたりこの字数を超えたら止める、という2枚目の守り
ひとりで吹き込み 訪問のあと・小さな声 波形が小さい 録音から文字起こしできませんでした 話したのに、止まる 録り直しても、また止まることがある
止まっていたのは、声の小さい方の、短い吹き込みでした

なぜ、声が小さいと無音として止まるのか

MENTRA は、録音をAIに渡す前に、音そのものを測っています(無音判定)。録音がほぼ無音のままAIに渡ると、AIはもっともらしい会話や記録を書き出すことがあるためです。この事故と守りの考え方は、無音の録音から医療AIが診療会話を作るとき、何ができるかでご説明しました。

測り方は単純です。録音を1ミリ秒ずつに区切って音の大きさを測り、−50 dBFS を超えていた時間を足していきます。合計が1.0秒に届いたら「声あり」、届かなければ「無音」として、AIに渡さずに止めます。実装の中核は次のとおりです(社内向けの注記は言い換えています)。

// 1ミリ秒ごとの音の大きさが -50 dBFS を超えた時間を足していき、
// 合計が 1.0 秒に届いたら「声あり」。届かなければ「無音」として止める
export const SILENCE_LEVEL_DBFS = -50;
export const SILENCE_MIN_VOICED_SEC = 1.0;
export const SILENCE_RMS_WINDOW_MS = 1;

const threshold = Math.pow(10, SILENCE_LEVEL_DBFS / 20);
const win = Math.max(1, Math.round((sampleRate * SILENCE_RMS_WINDOW_MS) / 1000));
const need = Math.round(sampleRate * SILENCE_MIN_VOICED_SEC);

for (let i = 0; i + win <= pcm.length; i += win) {
  let sum = 0;
  for (let j = i; j < i + win; j++) { const v = pcm[j]; sum += v * v; }
  if (Math.sqrt(sum / win) > threshold) {
    voicedSamples += win;
    if (voicedSamples >= need) { voiced = true; return true; }
  }
}

一方、録音の設定は、薬剤名の子音が削られないよう、端末が自動で音量を上げない形に変えていました。この線を決めたときに測った録音は、ほぼすべてが変える前の時期のものです。声の小さい方の声は、小さいまま録られていました。線は、その状態では確かめられていませんでした。

そこに、吹き込みの短さが重なります。止まっていたのは、数十秒ほどの短い吹き込みでした。有音の時間は録音が長いほど積み上がりますが、短い録音では積み上がる前に終わってしまいます。たとえば15秒の吹き込みで、線を超えている時間が全体の3%なら、合計は0.45秒にしかなりません。話していても、1.0秒に届かないのです。

例: 15秒の吹き込み(線を超える時間が全体の3%) −50 dBFS 0秒 15秒 下の棒は有音の合計(0〜1.0秒の目盛り) 有音の合計 0.45秒 声ありに要る 1.0秒
短い山しか線を超えないため、話していても合計が1.0秒に届かない

いまの流れを確かめ、これまでとこれからを整理しました

訪問看護ステーションで、職員の皆さまが実際に手間をかけている点を、本番の記録の数字から洗い出しました。いちばん大きかったのが、この止まり方です。止まるたびに、もう一度話して待つ手間が重なります。直し方として「端末を口に近づけて話してもらう」も考えましたが、職員の皆さまに毎回の気遣いを求めることになるので選びませんでした。守りは外さず、声の小さい方の短い吹き込みだけを通す形を探しました。

これまで これから
声の小さい方の短い吹き込み 有音の合計が1.0秒に届かず止まり、録り直す 有音が0.2秒以上あれば通る
通した吹き込みの文字起こし — 1秒あたり8字を超えたら止める
5秒未満の録音(押し間違い) 1.0秒の線で判定 変わらない
90秒を超える吹き込み・会話の録音 1.0秒の線で判定 変わらない
職員の皆さまの操作 止まったら録り直す 増える操作は無い

線を下げるだけでは、無音からの捏造が戻ってくる

線を下げれば、声の小さい吹き込みは通ります。けれども、下げすぎれば、守りたかったほぼ無音の録音まで通してしまいます。どこまで下げてよいかは、想像では決められません。そこで、本番で「無音」として止まった看護の吹き込み74本を、2026年11月10日に測り直しました。

測り方は3つを組み合わせました。新しい判定で音を測り直すこと、本番と同じ組み立てでAIに文字起こしをさせ、字数だけを数えること、そして録音中の文字起こしの字数と突き合わせることです。録音中の文字起こしは、本番の文字起こしとは別のAIモデルが出す、別の耳です。両方が文字を出していれば話していた、録音中の文字が0字なのにAIだけが長い文を出していれば捏造、と見分けられます。音声も文章も手元には残さず、数字だけを取りました。

緩める対象になりうる短い吹き込み(5秒から90秒で、最後まで読み切れたもの)の有音の時間は、次のように分かれていました。

有音の時間 本数 中身
0.09〜0.15秒 7本 本物4本と捏造3本が混ざる。捏造はAIが251字・133字・289字を出したのに、録音中の文字は0字か記録なし
0.16〜0.25秒 0本 谷
0.26秒以上 46本 すべて本物。AIの字数は録音1秒あたり多くても2.8字

緩める対象の外の録音(90秒を超える・5秒未満・途中で読み切れない)からも、捏造とみられる文が出ていました。いちばん長いものは923字です。ほぼ無音の録音を通したとき、AIは133字から923字の文章を作っていました。この守りは、やはり外せません。

0.1秒 0.2秒 0.3秒 7本 本物4・捏造3 谷0本 本物 46本 0秒 0.5秒 1.0秒
本物と捏造が混ざる帯と、本物だけの帯のあいだに、0本の谷がある

線の候補を3つ並べると、谷の真ん中がいちばん分けやすいことが分かります。

線の候補 通る本物 通る捏造 判断
0.1秒 谷より上の46本と、帯の中の本物 捏造の出た帯(0.10〜0.11秒)を通す 採らない。守りが字数の上限1枚だけになる
0.2秒 46本 0本 採る(谷の真ん中)
0.3秒 44本 0本 採らない。谷より上の本物2本(0.26秒・0.29秒)を落とす

守りを2枚にする: 短い吹き込みの線と、字数の上限

線を0.2秒に下げたぶん、もう1枚の守りを足しました。捏造は、録音の長さに見合わない量の文を書きます。本物の吹き込みは、AIの文字起こしで録音1秒あたり多くても2.8字でした。捏造は9.2字・19.9字・35.9字です。そのあいだに、1秒あたり8字の上限を置きました。

種類 録音1秒あたりの字数
本物の吹き込み(緩めて通る46本) 最大2.8字
捏造(3本) 9.2字・19.9字・35.9字
置いた上限 8字

最初は15字で考えていました。けれども15字では、いちばん遅い捏造(9.2字)を通してしまいます。本番の音声で確かめてから、8字に下げました。

緩めるのは、条件がすべてそろった録音だけです。1つでも欠けたら、今までどおり1.0秒の線で止めます。

// 緩めて通すのに要る有音の合計(秒)。谷(0.16〜0.25秒)の真ん中
export const RELAXED_DICTATION_MIN_VOICED_SEC = 0.2;
// 対象にする録音の長さ。5秒未満は押し間違い、90秒超は物音が積み上がるので対象外
export const RELAXED_DICTATION_MIN_SCANNED_SEC = 5;
export const RELAXED_DICTATION_MAX_SCANNED_SEC = 90;

// 8つの条件がすべてそろったときだけ true(表の名前は伏せています)
export function shouldRelaxShortDictation(input: RelaxShortDictationInput): boolean {
  if (input.nursingDictation !== true) return false;          // 看護のひとりの吹き込み
  if (input.tableName !== RELAXED_DICTATION_TABLE) return false; // 看護記録の録音
  if (input.enabled !== true) return false;                   // 緩める設定が入っている
  if (input.reason !== 'no_voiced_run') return false;         // 最後まで読んで線に届かなかった
  if ((input.stride ?? 1) !== 1) return false;                // 間引かずに全部読んだ
  if (!Number.isFinite(input.scannedSec) || input.scannedSec < RELAXED_DICTATION_MIN_SCANNED_SEC) return false;
  if (input.scannedSec > RELAXED_DICTATION_MAX_SCANNED_SEC) return false;
  const v = input.voicedSec;
  if (typeof v !== 'number' || !Number.isFinite(v) || v < RELAXED_DICTATION_MIN_VOICED_SEC) return false;
  return true;
}

「測れなかった録音」は通しません。最後まで読んだうえで線に届かなかった録音だけが対象です。測れなかったことを「声あり」と扱わないためです。

緩めて通した録音は、文字起こしのあとにもう一度だけ見張ります。字数が上限を超えたら、記録には何も書かずに無音として止めます。

// 緩めて通した録音の文字起こしの字数の上限(録音1秒あたり)
export const RELAXED_DICTATION_MAX_CHARS_PER_SEC = 8;

export function exceedsRelaxedTranscriptDensity(transcriptChars: number, scannedSec: number): boolean {
  const sec = Number.isFinite(scannedSec) && scannedSec > 0 ? scannedSec : 0;
  return transcriptChars > sec * RELAXED_DICTATION_MAX_CHARS_PER_SEC;
}

// 文字起こしを書く直前に呼ぶ。緩めて通した録音にだけ効く
if (!fetched.relaxedVoiced) return;
const over = exceedsRelaxedTranscriptDensity(transcriptChars, fetched.scan.scannedSec);
if (!over) return;
await writeSilentTerminal(params, 'silent', RELAXED_DICTATION_REJECT_REASON);
throw new SilentAudioError('silent', fetched.scan, fetched.byteLength);

緩める判定そのものも、サーバの設定が on のときだけ働くようにしました。設定が無い・読めない・ほかの値のときは緩めません。何かあれば、設定を外すだけで、プログラムを入れ替えずに元の判定へ戻せます。

// 値が "on" のときだけ緩める。未設定・読めない・ほかの値は緩めない側に倒す
export function isRelaxShortDictationEnabled(envValue: string | undefined | null): boolean {
  return typeof envValue === 'string' && envValue.trim().toLowerCase() === 'on';
}
録音 音を測る 中核の線 有音の合計 1.0秒 AIで文字起こし 下書きを作る 届いた 届かない 緩める条件 看護の吹き込み・5〜90秒 全部読んだ・0.2秒以上 そろった 欠けた 止める 今までどおり AIで文字起こし 字数を数える 上限は録音1秒あたり8字 8字以下 超えた 止める 記録には何も書かない
線を下げた先に、字数の上限という2枚目の守りを置く

正常な吹き込みまで止めていないか

緩めるだけでなく、今まで通っていた録音が止まるようになっていないかも確かめました。字数の上限は、中核の線が「無音」と言った録音にだけ効きます。中核の線で「声あり」になった録音は、字数を見ずにそのまま進みます。

確かめた録音 本数 結果
本番で文字起こしまで済んだ看護の吹き込み(5〜90秒) 213本 すべて中核の線で「声あり」。止まる録音は0本
手元のテスト用の音声(診察・看護・面談・福祉訪問・議事録など) 198本 変更の前と後で、判定が変わった録音は0本
0.5秒だけ音を入れた合成の吹き込み 1本 緩めて通り、AIが272字(1秒あたり31字)を書き出したが、字数の上限で止まった
同じ合成の録音を会話として 1本 緩める対象ではないので、今までどおり止まった

本番の213本の字数は、録音1秒あたり中央値3.12字、99パーセンタイルで6.17字でした。8字を超えた2本も中核の線で「声あり」だったので、上限はかかりません。本番に設定を入れたあと、本番のテスト用の事業所でも、合成の録音が同じように止まることを確かめました。

直さないと決めたこともある

今回は、職員の皆さまの困りごとを本番の記録の数字から洗い出し、直す価値があるものだけを直しました。たとえば、文字起こしに抜けがありそうなときに出る警告も調べました。警告が出た録音でも、最後の文字起こしは録音中の文字とほぼ同じ字数で、比の中央値は0.97でした。警告は、ゆっくり話す方の録音に出ていただけでした。職員の手間にはなっていなかったので、ここは触っていません。

直すかどうかは、仕組みの正しさよりも、現場の手間が減るかどうかで決めています。今回の変更で、職員の皆さまの操作は1つも増えていません。

自院の音声入力で、同じことが起きていないか

吹き込んだのに止まる。録り直すと通ることもある。止まるのは、なぜか同じ人ばかり。音声入力で記録を作っている現場なら、思い当たる場面があるかもしれません。MENTRA では、守りを外さずに、その人の録音を通す形を本番の音声で決めました。看護記録の機能の全体は看護記録のページでご覧いただけます。自院の流れに合わせたい場合も、まずいまの流れを伺い、整理するところからご一緒します。ご相談はお問い合わせから承ります。

よくあるご質問

声が小さいと認識されないとき、端末を口に近づけて話すのが対策ではないのですか

それでも録音は通るようになりますが、訪問の合間に吹き込む職員の皆さまに、毎回の気遣いを求めることになります。声の大きさは人によって違い、本人が悪いわけでもありません。MENTRA では、話し方を変えていただく前に、仕組みの側で直せないかを考えました。今回の変更で、職員の皆さまの操作は1つも増えていません。

線を下げると、話していない録音まで通ってしまいませんか

通りうる録音を、条件と字数の上限の2つで絞っています。線を下げたのは、看護記録をひとりで吹き込む、5秒から90秒の録音で、最後まで読み切れたものだけです。そのうえで、AIが書き起こした字数が1秒あたり8字を超えたら、文章を記録に残さずに止めます。0.5秒だけ音を入れた合成の録音では、AIが272字を書き出しましたが、この上限で止まりました。利用者さんとの会話の録音は、今までどおりの線で判定します。

もし緩めた判定に問題が見つかったら、どうなりますか

緩める判定は、サーバの設定が入っているときだけ働きます。設定を外せば、プログラムを入れ替えなくても元の判定に戻ります。止めた録音は、理由ごとに毎日の集計に出るので、緩めて通した録音の数と、字数の上限で止めた数を追えます。

↑ このページの先頭へ

まずは、30分だけ話を聞かせてください。

今の記録の流れを伺うところからで大丈夫です。資料の準備は不要です。

精神科病院からメンタルクリニックまで、規模を問わず。院内の運用に合わせた調整もご相談ください。