ONNXウェイクワードモデルをオンラインで作成する方法【2026年版】

決まった音声コマンドをアプリに追加する場合、常に大規模な音声認識が必要とは限りません。小型のキーワードスポッティング（KWS）モデルなら、「こんにちはノヴァ」「ライトをつけて」「緊急停止」などの短いフレーズを端末上で直接検出できます。

Voicuteでは、日本語の単語やフレーズを入力してオンライン学習を開始し、完成した自分のモデルをコンソールで試せます。自分の声で結果を確認し、ONNXモデルをダウンロードすると決めた場合にのみ支払います。Python環境、GPU、学習データのパイプラインを自分で用意する必要はありません。

ウェイクワードとキーワードスポッティングの違い

ウェイクワードは、音声アシスタントを起動する一つのフレーズです。キーワードスポッティングは、複数の短いコマンドを検出して別々の処理を実行します。

• 単一ウェイクワード：「ハローオリオン」でアシスタントを起動。
• 複数キーワード：「開始」「停止」「開く」「閉じる」を別々に判定。
• 文字起こしではない：認識結果はキーワードとスコアで、全文テキストではありません。

日本語ウェイクワードをオンライン学習する手順

1. Voicuteにログインし、モデル作成画面を開きます。
2. 日本語を選び、検出したいフレーズを正確に入力します。
3. 発音プレビューを確認し、必要なら表記を調整します。
4. 録音不要の基本モデル、または任意の音声強化を選びます。
5. 学習を開始し、完成後にONNXファイルと推論コードを取得します。

複数の日本語コマンドを一つのONNXモデルへ

固定コマンド型の音声UIでは、2〜10個のフレーズを一つのモデルにまとめられます。一回の推論で検出クラスを返すため、スマートホーム、Androidアプリ、アクセシビリティ、受付端末、産業機器などに利用できます。

Android・Web・Linuxでオフライン実行

生成したモデルは、オープンソースのonnx-wakeword推論エンジンと組み合わせて使用します。音声前処理と検出ロジックが含まれ、Android、WebAssembly対応ブラウザ、Windows、macOS、Linux、Raspberry Piへ展開できます。完成モデルは端末内で動作し、端末ごとのライセンスはありません。

検出しやすい日本語ウェイクワードの選び方

• 3〜6モーラ程度以上で、リズムに特徴のあるフレーズを選ぶ。
• 日常会話で頻繁に出る短い単語を避ける。
• 複数の話者、距離、実際の環境音でテストする。
• アクセントや固有名詞で基本モデルが反応しにくい場合だけ、任意で5個の短い発音サンプルを追加する。

よくある質問

自分の声を録音する必要がありますか？

基本モデルでは不要です。合成音声と音響データ拡張を使用します。5個の短い音声サンプルによる強化は任意です。

インターネットなしで動きますか？

はい。学習はオンラインですが、ダウンロードしたONNXモデルの推論はローカルで動作します。

一つのモデルで複数コマンドを認識できますか？

はい。マルチキーワード版では2〜10個のコマンドを一つの小型モデルにまとめられます。