jinbay無料で相談する

職務経歴書の記入例

自然言語処理・音声認識エンジニアの職務経歴書 記入例

LLM が広まってから、音声認識や自然言語処理の経験は「LLM の前段と後段を任せられる人」として求められるようになりました。評価の指標と、実際の音声やテキストの扱いにくさにどう対処したかを書くと、経験の深さが伝わります。車載機器メーカーから通話分析の SaaS に移った人の記入例で解説します。

更新日 2026年11月16日 / 書いた人 上田 英介(ジンベイ株式会社 代表取締役/職業紹介責任者)

記入例の人物:大学院で自然言語処理を学び、車載機器メーカーで音声認識を2年、その後コールセンター向け SaaS で通話の音声認識と分析を2年半。29歳。
人物・会社・数字はすべて架空です。

職務経歴書

2026年11月16日現在

氏名 高橋 美咲

■ 職務要約

大学院で自然言語処理を学んだあと、株式会社〇〇(車載機器メーカー)でカーナビの音声コマンド認識を2年担当し、走行中の雑音への対処と端末での推論の軽量化に取り組みました。2024年からは株式会社〇〇(コールセンター向け SaaS)で、通話の音声認識・要約・問い合わせ分類の開発を担当しています。業界用語を含む通話の文字誤り率を14.1%から8.3%に下げ、要約の導入で応対後の入力時間を1件あたり6分から2.5分に短縮しました。

■ 活かせる経験・知識・技術

  • 音声認識モデルのファインチューニングと、雑音・話者の重なり・専門用語への対処
  • 端末での推論(量子化、メモリと遅延の制約の中での実装)
  • テキスト分類・固有表現の抽出と、個人情報のマスキング
  • タスクに合わせた評価データの設計(文字誤り率、F1 値、要約の抜け漏れ率)

■ テクニカルスキル

言語Python(4年8か月)、C++(2年)、SQL
フレームワーク・ライブラリPyTorch(4年8か月)、Hugging Face Transformers(2年8か月)、ONNX Runtime(2年)、FastAPI(1年5か月)、ESPnet(1年3か月)
機械学習・生成AI商用LLMのAPI(2年8か月)、音声認識(端末内)(2年)、量子化(2年)、事前学習済みの言語モデル(小型)(1年5か月)、MLflow(1年5か月)、公開されている音声認識モデル(1年3か月)、話者分離(1年3か月)
データベースPostgreSQL(1年3か月)
OS・クラウド・インフラAWS(2年8か月)、Linux(車載SoC)(2年)、Docker(1年3か月)
ツールGitHub Actions、Weights & Biases

■ 職務経歴

株式会社〇〇(2024年4月〜現在)

事業内容:コールセンター向けの通話録音・分析の SaaS 従業員数:約180名 雇用形態:正社員

所属・役職:開発部 音声AIチーム

2024年4月〜2025年6月

通話の音声認識と要約機能の開発

コールセンターの通話を文字に起こし、応対の要約を自動で作る機能を開発。約60社・オペレーター約4,000名が利用。

【役割】音声認識の担当(チーム内で精度改善をリード) 【規模】チーム5名

【担当工程】基本設計、詳細設計、実装・単体テスト、結合テスト、保守・運用、データ整備、モデル開発・評価

【取り組み】

  • 保険・通販・自治体の業種ごとに通話を選び、合計50時間の評価データを書き起こして作成
  • 公開されている音声認識モデルを、許諾を得た通話約800時間でファインチューニングし、業界用語は顧客ごとの単語リストで認識結果を補正
  • オペレーターと顧客の声が重なる箇所を、話者分離でチャンネルごとに分けてから認識するようにした
  • 要約は、氏名・電話番号・カード番号をマスキングしてから商用LLMのAPIに渡し、用件・対応・次の約束の3項目を必ず出す形式に固定

【成果】

  • 評価データの文字誤り率を14.1%から8.3%に改善
  • 要約の必須項目の抜け漏れ率を12%から3%に削減
  • 応対後の入力時間を1件あたり平均6分から2.5分に短縮(導入企業10社の平均)

【使用技術】Python、PyTorch、Hugging Face Transformers、ESPnet、公開されている音声認識モデル、話者分離、商用LLMのAPI、PostgreSQL、AWS、Docker

2025年7月〜現在

通話の問い合わせ分類と固有表現の抽出

通話の書き起こしから、問い合わせの種類と、商品名・契約番号などの情報を取り出し、顧客の CRM に登録する機能を開発。

【役割】リーダー 【規模】チーム3名

【担当工程】要件定義、基本設計、実装・単体テスト、保守・運用、データ整備、モデル開発・評価

【取り組み】

  • 1日数十万件を処理するため、分類と抽出は小型の言語モデルをファインチューニングして自社で動かし、LLM は判断に迷う通話(全体の約5%)だけに使う構成にした
  • LLM の出力を正解候補として使い、人が確かめてから学習データに足す流れで、学習データを3か月で1万件から4万件に増やした
  • 音声認識の誤りが抽出に与える影響を測るため、人の書き起こしと自動の書き起こしの両方で評価した

【成果】

  • 問い合わせ分類の F1 値(マクロ平均)を0.81から0.92に改善
  • すべてを LLM で処理した場合と比べて、処理費用を約9割削減

【使用技術】Python、PyTorch、Hugging Face Transformers、FastAPI、事前学習済みの言語モデル(小型)、商用LLMのAPI、MLflow、AWS

株式会社〇〇(2022年4月〜2024年3月)

事業内容:カーナビ・車載オーディオなどの車載機器の開発・製造 従業員数:約5,000名 雇用形態:正社員

所属・役職:技術開発部 音声グループ

2022年4月〜2024年3月

カーナビの音声コマンド認識の雑音対策と軽量化

カーナビの音声操作(目的地の設定、エアコン・オーディオの操作)を、通信なしで端末内で認識する機能の改善を担当。

【役割】メンバー 【規模】チーム6名

【担当工程】詳細設計、実装・単体テスト、結合テスト、データ整備、モデル開発・評価、実機検証

【取り組み】

  • テストコースで録音した走行音・雨音・エアコンの風切り音を、きれいな音声に重ねるデータ拡張を作成
  • INT8 の量子化と語彙の絞り込みで、モデルをメモリ120MB以内に収めた
  • 実車に載せて、時速0・60・100kmの3条件と、運転席・助手席の2位置で評価する手順を作った

【成果】

  • 時速100km走行時の文字誤り率を18.0%から9.4%に改善
  • 発話の終わりから認識結果が出るまでの時間を平均0.9秒から0.4秒に短縮

【使用技術】Python、C++、PyTorch、ONNX Runtime、音声認識(端末内)、量子化、Linux(車載SoC)

■ 資格

  • 2023年6月 TOEIC 860点
  • 2022年11月 G検定

■ 社外での活動

  • 修士論文「話し言葉の言い淀みを含む文の係り受け解析」(国内学会で発表、2022年3月)
  • 技術ブログで通話の音声認識の評価方法についての記事を執筆

■ URL

  • GitHub:https://github.com/example
  • 技術記事:https://zenn.dev/example

■ 自己PR

モデルを変える前に、まず評価データを作ることから始めるようにしています。通話の音声認識では、業種ごとに聞き取りにくい箇所が違うことに気づき、業種別に評価データを分けました。どの業種で誤りが多いかが見えたことで、顧客ごとの単語リストという小さな対策で大きく改善できました。

今後は、音声とテキストの両方を扱える強みを活かし、人と自然に話しながら動くプロダクトの開発に関わりたいと考えています。

以上

ダウンロードは登録なしで使えます。経験年数は、各プロジェクトの期間から自動で計算しています。

自然言語処理・音声認識エンジニアの職務経歴書で、見られる点

  1. 01

    評価の指標を、タスクに合わせて書いているか

    音声認識なら文字誤り率(CER)、分類なら F1 値、要約なら人による評価と自動評価の組み合わせ、のようにタスクごとに測り方が違います。何で測ったかと、評価データの作り方まで書くと、数字の信頼性が伝わります。

  2. 02

    実際の音声・テキストの扱いにくさに触れているか

    雑音、話者の重なり、業界の専門用語、話し言葉の言い淀みなど、実データでは学術用のデータにない問題が起きます。どの問題に、どう対処したかが、この職種で一番差がつく部分です。

  3. 03

    LLM との役割分担を考えた経験があるか

    何でも商用LLMのAPIに渡すと、費用と応答時間が膨らみ、個人情報の扱いも難しくなります。小さなモデルで済む処理と LLM に任せる処理を分けた経験は、生成AIの会社で特に評価されます。

  4. 04

    端末側で動かすための制約を書いているか

    車載機器や家電、ロボットでは、メモリや計算能力の限られた端末で推論します。モデルの軽量化や量子化、遅延の目標をどう満たしたかを書くと、フィジカルAIの会社にも経験が伝わります。

欄ごとの書き方

職務要約
音声認識と自然言語処理のどちらが軸か、端末側とクラウド側のどちらの経験かを最初に書きます。2社の経験をつなげて、「音声からテキスト、テキストから業務の情報へ」のように一続きで説明すると分かりやすくなります。
職務経歴
成果の数字には、条件を添えます。「文字誤り率9%」だけでなく、「時速100kmの走行音を含む評価データで」のように、どんな音声で測ったかを書きます。
活かせる経験・知識・技術
音声(雑音対策、話者分離、端末での推論)、言語(分類、固有表現の抽出、LLM の活用)、評価のしくみ、の3つに分けて書きます。
論文・登壇など
大学院での研究や学会発表は、入社3〜5年目までは評価の対象になります。研究の題名だけでなく、何を明らかにしたかを1行で添えます。

よくある書き方を、こう直す

よくある書き方

音声認識モデルの精度改善を担当。

直した書き方

通話の音声認識で、業界用語を含む評価データ(通話50時間分)の文字誤り率を14.1%から8.3%に改善した。

何の音声で、どの指標を、どれだけ動かしたかが分かると、改善の大きさを判断できます。

よくある書き方

LLM を活用して通話の要約機能を開発。

直した書き方

通話の要約は、個人情報をマスキングしてから商用LLMのAPIに渡す構成にし、要約の必須項目(用件・対応・次の約束)の抜け漏れ率を評価して12%から3%に下げた。

LLM を使ったことよりも、前処理と評価をどう設計したかのほうが専門性の証拠になります。

あわせて読みたい