8月18日、PYMNTSが「Wispr Flow Raises $280 Million and Debuts Voice AI Model」と題した記事を公開した。音声AI企業Wispr Flowが2億8000万ドル（約420億円）の資金調達を完了し、独自の音声認識モデルを発表した。評価額は20億ドルに達し、ユニコーン企業の仲間入りを果たした。「精度こそが音声の普及を決める」と断言するCEOが、10年越しの課題にどう挑んでいるのか。
評価額20億ドルへ——音声AIの「精度」に本気で投資
音声AIスタートアップのWispr Flowが、シリーズBラウンドで2億8000万ドル（約420億円）の調達を完了した。調達後の評価額は20億ドルに達し、ユニコーン企業の仲間入りを果たした形だ。発表は現地時間8月17日（月）に行われた。
同社CEOのTanay Kothari氏は公式ブログでこう述べている。
「この10年のほとんど、コンピューターに話しかけるというのは天気を聞くか、タイマーをセットするかだった。精度が低くても、誰も声で重要なことをやっていなかったから問題にならなかった。聞き間違えられたら、もう一度言えばよかっただけだ。」
だが状況は変わった。音声入力で重要なメッセージや業務文書を作成するユーザーが増えた今、誤認識は思考の流れを断ち切る実害をもたらす。Kothari氏は「精度は複数ある機能のひとつではない。それが、音声がどれだけ人々の生活や仕事に根付くかを決める」と強調する。
独自音声モデル「Canto」——ノイズ環境での誤認識率を大幅改善
資金調達と同時に発表されたのが、同社初の独自音声認識モデル「Canto」だ。設計上の主眼は「きれいな録音環境以外での利用」に置かれている。具体的には車内、公共スペース、オープンオフィスといった騒音環境を想定している。
Kothari氏が挙げた数字は具体的だ。
- 背景ノイズ・風・強いなまり・音楽などが混在する厳しい条件下で、単語エラー率（WER: Word Error Rate）が30%超から**5〜10%**へ低下
- 日常的な利用場面全体では、ディクテーション（音声入力）後に編集が必要な回数を30〜35%削減できると見込む
※ 単語エラー率（WER: Word Error Rate）とは、音声認識結果に含まれる誤り（置換・削除・挿入）の割合を示す指標。値が低いほど認識精度が高いことを意味し、音声認識モデルの性能比較に広く用いられる。
同社のチーフサイエンティストであるAriya Rastrow氏は、AmazonのAlexaコア開発チームの創設メンバーのひとりだ。Rastrow氏は「Alexaが認識できる項目リストは10年間ほとんど変わらなかった」と明言しており、この停滞への問題意識がCanto開発の直接的な動機となっている。
B2B領域での含意——「複数の業務をひとつの会話に圧縮」
今回の元記事（PYMNTS、8月18日付）では、Wispr Flowが音声インターフェースの業務利用における具体的なシナリオとして次のような例を挙げている。
- 倉庫フロアを歩き回りながら在庫不足を問い合わせる倉庫管理者
- 入力作業を止めずに機器を診断するフィールド技術者
- ひとつの会話の中で交渉・サプライヤー履歴の取得・ERP更新を同時にこなす調達担当者
複数の企業内インタラクションをひとつの会話に集約する——これが同社の目指す世界観だ。精度の大幅改善を前提に、音声を「入力手段」から「業務ワークフローそのもの」へと昇格させるという方向性が、今回の大型調達の背景にある。
なお、PYMNTSは別途（今回の元記事とは異なる先月公開の記事で）、音声AIの競争軸が「発話の認識精度」から「認識した上で何を実行できるか」にシフトしているとも分析している。Wispr Flowの動きはその文脈とも一致しており、B2B市場における音声AIの実用化競争が加速していることを示唆している。
音声インターフェースが「便利なおまけ」から「実務の中心」へと移行しつつある中、Wispr Flowの大型調達とCanto投入は、その競争の激化を示す一手といえる。
詳細はWispr Flow Raises $280 Million and Debuts Voice AI Modelを参照していただきたい。
