音声認識

音声認識とは何か

音声認識(ASR、Automatic Speech Recognition)は、任意の音声の波形を、それに対応する適切な単語列へ変換するタスクです。人が話した音声を入力として受け取り、話された内容を文字の並びとして出力します。

どんな話者がどんな環境で話した音声でも自動で書き起こすという課題は、今もなお解決からは遠い状態です。それでもASRの技術は成熟が進み、現在では多くの実用的なタスクに使える水準に達しています。

最初期の音声認識玩具 Radio Rex

音声を認識した最初の機械は、1920年代のおもちゃだったとされます。Radio Rexはセルロイド製の犬の玩具で、500Hzの音響エネルギーを受けるとバネが外れ、その力で動く仕組みでした。500Hzは、Rexという名前に含まれる母音[eh]の第1フォルマントにおおよそ一致します。そのため、名前を呼ぶとRexが呼びかけに応えて出てくるように見えました(David, Jr. and Selfridge, 1962)。特定の周波数に反応するだけの単純な仕掛けですが、音声に機械が反応するという発想の出発点として紹介されます。これに対し現代のASRには、あらゆる波形を単語列に写すという、はるかに多くのことが期待されています。

音声認識の応用

音声は、家電製品やデジタルアシスタント、チャットボットとやり取りするための自然なインタフェースです。とくにキーボードが使いにくい携帯電話では、音声による入力が便利です。

ASRは一般的な文字起こしにも役立ちます。たとえば、映画や動画、ライブの議論を書き起こして、音声や動画に自動で字幕を付けることができます。口述筆記が重要な役割を果たす法律のような分野でも、文字起こしは大切です。さらに、障害によって文字の入力や聴き取りが難しい、あるいはできない人とコンピュータとのやり取りを支える補助的なコミュニケーションの一部としても、ASRは重要です。

手法の2つの系統と評価指標

現代のASRの手法には、大きく2つの系統があります。

1つ目はエンコーダデコーダ方式です。基本となるのは注意機構を用いたエンコーダデコーダのアルゴリズムで、初期の実装にちなんでListen Attend and Spellと呼ばれることもあります。より発展したエンコーダデコーダのシステムとして、OpenAIのWhisper(Radford et al., 2023)や、同じアーキテクチャに基づくオープンなシステムであるOWSM(Open Whisper-style Speech Model)(Peng et al., 2023)があります。

2つ目は自己教師あり音声モデルを使う方式です。自己教師あり学習(SSL)と呼ばれることもあり、Wav2Vec2.0やHuBERTが代表例です。これらは音声の抽象的な表現を学習するエンコーダで、デコードのためにCTCという損失関数と組み合わせることでASRに利用できます。CTCという損失関数の詳しい仕組みについてはCTCの項目で扱います。

ASRの性能評価には、標準的な指標として単語誤り率(WER、word error rate)が使われます。WERは、認識結果のうち誤った単語がどの程度の割合を占めるかを表す指標です。