異常ノイズ検出:人間の耳からAIへ

ヘッドホン、スピーカー、ウェアラブルなどのコンシューマー向けオーディオ製品が急速に普及するなかで、ユーザーが求める「良い音」は、単に明瞭に聞こえればよいというレベルをはるかに超えています. 今やユーザーは、快適でクリア、さらに余計な「サラサラ」「カチカチ」「ガリガリ」といったノイズのないサウンドを求めています.

しかし、多くの工場では、異常ノイズ検査はいまだに人間の「耳」に大きく依存しています. シフト体制や検査員ごとの主観の違い、疲労度や感情状態などが、歩留まりやブランド評価に直接影響します.

本記事では、CRYSOUNDがTWSイヤホン向けに実際のプロジェクトで導入してきたAIリスニング検査の事例をもとに、生産ラインから「人の耳」を解放し、リスニングテストを真に安定・高効率かつ再現性の高いものにする方法をご紹介します.

なぜオーディオのリスニングテストはこれほど人手がかかるのか?

従来の構成では、生産ラインは一般的に次のような流れになっています:

自動エレクトロアコースティックテスト＋手動リスニングでの再チェック.

手動リスニングには、次のような明確な課題があります:

• 主観性が強い:「サラサラ音」や「ガリガリ音」などのノイズに対する感度は、聞き手によって大きく異なります. 同じ検査員であっても、早番と遅番とで判定が一貫しないことがあります.
• スケールしにくい:人によるリスニングは高い集中力を要し、長時間続けると疲労しやすくなります. 量産において高いUPH(Units Per Hour:時間当たり処理台数)を実現するのは困難です.
• 教育コストが高い:有資格のリスナーになるには体系的なトレーニングと長期的な経験の蓄積が必要であり、新人オペレーターが一人前になるまでには時間がかかります.
• 結果のトレーサビリティが低い:主観的な判定は定量データや履歴情報に落とし込みにくく、後工程での品質分析や改善を難しくします.

そのため業界では長年、「人間の耳」の感度を損なうことなく、自動化とアルゴリズムによってこの作業をより安定かつ経済的に行う方法が模索されてきました.

「人の耳」から「AIの耳」へ:CRYSOUNDの全体アプローチ

CRYSOUNDの回答は、CRYSOUND異常ノイズ検査システムを中核とした標準化テストプラットフォームに、AIリスニングアルゴリズムと専用治具を組み合わせた、ハードウェアとソフトウェアを統合したトータルソリューションです.

ソリューションの主な特長:

• 標準化された多目的プラットフォーム:モジュラー設計により、従来のSPKオーディオ／ノイズ試験と、異常ノイズ／AIリスニング試験の両方をサポートします.
• 1-to-2 parallel testing: 1台のシステムで2つのイヤホンを同時にテストできます. 代表的なプロジェクトでは、UPHは約120台程度まで向上します.
• AIリスニング解析モジュール:良品データを収集してモデルを構築し、異常ノイズを含むユニットを自動的に識別することで、手動リスニングステーションを大幅に削減します.
• 低ノイズ試験環境:高性能な防音箱とインナーボックス構造により、背景ノイズを約12 dBAまで抑え、AIアルゴリズムに対して安定した音響環境を提供します.

平たく言えば、本ソリューションは次のように要約できます:

標準化されたテストベンチ＋専用治具＋AIリスニングアルゴリズム.

代表的なテスト信号パス

テストホストを中心に、「ラボ＋量産ライン」を一体化したチェーンは次のようになります:

• PCホスト → CRY576 Bluetoothアダプタ → TWSイヤホン
• イヤホンから出力された音を、CRY718-S01イヤシミュレータで収音
• 信号はCRY6151Bエレクトロアコースティックアナライザで取得・解析される
• ソフトウェアがAIリスニングアルゴリズムモジュールを呼び出し、WAVデータを自動解析して、PASS／FAILの結果を出力します

治具と音響チャンバー:ステーション間バラつきの最小化

製品の設置姿勢やカップリング条件は、しばしばテストの一貫性を左右します. 本ソリューションでは、治具とチャンバーの設計によりテスト条件をできるだけ固定し、テストのバラつきを低減します:

• 治具:ソフトラバー製の成形凹部.
• この成形凹部によって、イヤホンが常に同じ姿勢で人工耳に密着して配置され、位置ズレやテストのバラつきが低減されます.
• ソフトラバーによりシール性が向上し、イヤホンの機械的損傷も防止できます.
• 音響ボックス:インナーボックス構造による制振と音響アイソレーション.
• これにより、外部からの機械的振動や環境ノイズが測定結果に与える影響を低減します.

プロフェッショナルグレードの音響ハードウェア(構成例)

CRY6151B エレクトロアコースティックアナライザ

• 周波数レンジ20〜20 kHz、低いバックグラウンドノイズと高いダイナミックレンジを備え、信号出力と測定入力の両方を統合しています.

CRY718-S01 イヤシミュレータセット

• 関連するIEC／ITU規格要件に準拠しています. 適切な構成／条件下では、システム自体のノイズを12 dBAレベルまで低減できます.

CRY725D シールド音響チャンバー

• RFシールドと音響アイソレーションを統合し、TWS向けテストシナリオに最適化されています.

AIアルゴリズム:教師なし異常検知はどのように「異常を見抜く」のか

トレーニングフロー:必要なのは「良品イヤホン」だけ

CRYSOUNDのAIリスニングソリューションでは、教師なしの異常音検知アルゴリズムを採用しています. 最大の利点は、あらかじめ多数の異常サンプルを収集する必要がなく、正常な良品だけで「良い音」を理解するモデルを学習できる点です.

実プロジェクトでは、典型的なステップは次のとおりです:

• 少なくとも100台以上の良品を用意します. 量産テストと同一条件下で、これら100台からWAVデータを収集します.
• これらの良品データを用いてモデルを学習します(例:10秒×100サンプル、学習時間は通常1分未満).
• 学習したモデルを用いて良品と不良品の両方をテストし、結果分布を比較して判定しきい値を設定します.
• トレーニング完了後は、そのまま量産ラインでモデルを使用できます. サンプル1件あたりの推論時間は0.5秒未満です.

このプロセスでは、エンジニアが異常ノイズの種類ごとに手作業でラベル付けする必要がなく、新規プロジェクトへの導入ハードルを大きく下げられます.

原理の概要:まずモデルに「正常な音を聞かせて再現させる」

大まかに言うと、アルゴリズムは次のステップで動作します:

時間周波数変換

• 録音した波形を時間周波数スペクトログラム(「音の画像」のようなもの)に変換します.

ディープラーニングによる再構成

• 「正常なイヤホン」で学習したディープラーニングモデルを用いて、時間周波数スペクトログラムを再構成します.
• 正常サンプルであれば、モデルは元のスペクトログラムをほぼ「再現」できます. 異常ノイズを含むサンプルでは、その異常成分は再構成が難しくなります.

差分解析

• 元のスペクトログラムと再構成スペクトログラムを比較し、時間軸と周波数軸に沿って差分を算出することで、差分カーブを得ます.
• 異常サンプルでは、これらのカーブ上に顕著なピークやエネルギー集中領域が現れます.

このようにして、アルゴリズムは「正常」パターンへのフィットを強め、そのパターンからのわずかな逸脱にも自然と敏感になります.そのため、異常ノイズの種類ごとに別々のモデルを構築する必要がありません.

実際の案件では、本アルゴリズムはすでに10件以上のプロジェクトで検証されており、不良検出率は最大99.9%に達しています.

AIリスニングの実務上のメリット

• 異常サンプルに依存しない:「ガリガリ音」や「電気的ノイズ」など、さまざまな異常音サンプルを膨大な手間をかけて集める必要がありません.
• 新しい異常にも対応:学習時に存在しなかった新種の異常音が現れた場合でも、正常パターンと十分に異なっていれば、アルゴリズムは検出できます.
• 継続的な学習:後から新たな良品データを継続的に追加することで、ラインや環境の緩やかなドリフトに長期的に追従させることができます.
• 手作業負荷の大幅削減:「全数を人が聞く」から「AIスクリーニング＋少量サンプリング検査」へと切り替えることで、スタッフはより付加価値の高い分析・最適化業務に集中できます.

代表的な導入事例:ODM TWS生産ラインでの実践

あるODMのTWS生産ラインでは、ラインあたりの1日生産量は数千セット規模です. 歩留まり向上と手動リスニング負荷の軽減を目的に、同社はAI異常ノイズ検査ソリューションを導入しました:

このラインでは、AIリスニングが従来の手動リスニング作業をほぼ完全に置き換えています. 単に人員が半減しただけでなく、見逃し不良のリスクも大幅に低減し、今後ほかの生産ラインへと展開していくためのデータ的裏付けも得られました.

導入のポイント:ソリューションの効果を最大化するには

AIベースの異常ノイズ検査の導入を検討している場合は、まず次の点から取り組むことをおすすめします:

サンプル収集をできるだけ早い段階から計画する

• 試作・小ロットパイロット段階から、「異常ノイズがないことを確認した」良品の波形データを蓄積し始めておくことで、後のAIトレーニングを先行して進められます.

環境ノイズの影響を最小化する

• AIリスニングテストステーションは、ディスペンサーやはんだ付け装置などの高騒音設備から離れた場所に設置する必要があります.
• 警報ブザーを停止し、テストステーションを避けるように搬送通路を設計し、床振動を低減することで、誤検出率を効果的に下げることができます.

テスト条件を一貫させる

• トレーニング段階と量産段階の両方で、同じ防音チャンバー、人工耳、治具、テストシーケンスを使用し、環境差によるモデル移行の問題を避けてください.

一定期間は人とAIの併用体制を維持する

• 導入初期は「100% AI＋人によるサンプリング検査」という戦略を採用し、その後「100% AI＋少量のDOA再チェック」へと段階的に移行することで、導入に伴うリスクを最小化できます.

結論:テストを「データを見る」仕事に戻し、人をより価値の高い領域へ

AIリスニングテストの本質は、経験に依存した人による聴感検査から、データとアルゴリズムに基づくテストへの産業的アップグレードです.

CRYSOUNDは、標準化されたテストプラットフォーム、プロフェッショナルな音響ハードウェア、製品専用治具、AIアルゴリズムを組み合わせることで、時間と人手のかかる主観的な手動リスニングを、安定して定量化可能で再利用性の高いプロセスへと変革するお手伝いをしています.

イヤホンの異常ノイズ検査について詳しく知りたい方、次世代生産ラインでAIリスニングの導入を検討している方、あるいは貴社の製造プロセスや検査目標について相談したい方は、下記の「お問い合わせ」フォームからご連絡ください. お客様の生産環境に合わせた推奨設定や、現場での運用フローをご提案いたします.