音声イベント検出（Sound Event Detection, SED）は、音響環境分析の核心モジュールとして重要な役割を果たすが、データ不足という課題に直面している。半教師あり学習（Semi-Supervised Learning, SSL）の導入により、この問題は著しく緩和されつつあり、同時にアノテーションコストの追加も生じない。本研究では、SSLの主要なモジュールについて検討し、ランダム一貫性訓練（Random Consistency Training, RCT）戦略を提案する。まず、教師-生徒モデルと組み合わせて学習の安定性を向上させるため、自己一貫性損失（self-consistency loss）を提案する。次に、音声の加算特性を考慮して、ハードミックスアップ（hard mixup）というデータ拡張手法を導入する。さらに、異なる種類のデータ拡張を柔軟に組み合わせることを可能にするランダム拡張スキームを採用する。実験の結果、提案手法は他の広く用いられている手法を上回る性能を示した。