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
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】
【成果】
【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】
【成果】
【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 |
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】
【成果】
【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
