HTML5 Webook

72/344

64■概要当研究室では、機械を介した音声コミュニケーションの基盤となる音声認識、音声合成、音声対話処理の各技術の研究開発に取り組んでいる。東京2020オリンピック・パラリンピック競技大会までに音声翻訳技術の社会実装を実現することを目指して、実用的な性能を有する多言語の音声認識・音声合成技術の開発を推進した。今年度は特に特定技能人材の日常会話対応への応用を想定してモンゴル語の音声認識及び音声合成システムを試作した。一方、2020年以降の世界を見据えて話者認識技術の研究を行った。■令和2年度の成果1.モンゴル語の音声認識・合成技術の開発モンゴル国は中国とロシアの間に位置し、放牧に適した高燥地と山岳地や砂さ礫れき地そしてウランバートルなど都市部からなる人口300万人余りの国家である。相撲の分野では既に多くの出身者を日本に迎え、TV等で日本語を流りゅうちょう暢に操る姿は馴染みのものとなったが、今後特定技能制度による人材の増加が見込まれ、モンゴル語での会話をサポートする音声翻訳技術が望まれている。そこで、キリル文字表記のモンゴル語を対象として、モンゴル国において成人男女994名から収集した合計142時間の音声によるコーパスを構築し、ニューラルネットベースのモンゴル語自動音声認識システムを開発した。NICTの公開音声認識評価データセットSPREDS3による評価の結果、令和3年3月時点で一般に利用可能な商用APIサービスと同等の認識精度であることを確認した。並行して、やはりモンゴル国において男性の職業話者による約3時間の音声コーパスを収録し、モンゴル語音声合成システムを試作した。以上の成果を実証実験システムVボイストラoiceTraに搭載し、一般に公開した。2.音声認識の性能と人間の文字起し能力の比較ディープ・ブルーの登場以来、様々な分野で『AIが人間を超えた』との報告が相次いだ。今中長期を終えるにあたり、自動音声認識（ASR）の性能が人間の文字起こし能力を超えたか否かを精密な実験によって検証した。NICTの公開音声認識評価データセットSPREDS2の日本語音声を対象として、ASRと人間の文字起こし能力を速さと正確さの両面で比較した。従来は日本語での検討は行われておらず、また速さは比較されていなかった。ASRはNICTASRの最新モデルとし、人間は日本語音声書き起こしの熟練者3人と校正者1人の体制とした（図1）。校正者はASRでは原理的に生じ得ないタイプミスを修正する役割で加わった。速さは音声の持続長で正規化した所要時間（RTF）、正確さは単語誤り率をそれぞれ指標とした。人間の文字起こしにはWindows10の日本語IMEを予測入力なしで用い、全てのキーの押下時刻をミリ秒単位で記録することで速さを測定した。音声素材書き起こし者校正者自動音声認識単語誤り率の計算読み込み聞き取り認識結果書き起し結果書き起し結果聞き取り人の結果ASRの結果図1　ASRと人間の文字起こし比較実験010203040506070809010002468単語誤り率(%)所要時間(RTF)人間（平均）人間1人間2人間3ASR700音声の平均（グラフの右端は所要時間が最長のものに揃えている）図2　音声再生が1回の場合の結果01020304050607080901000246810121416単語誤り率(%)所要時間(RTF)人間（平均）人間1人間2人間3ASR700音声の平均（グラフの右端は所要時間が最長のものに揃えている）図3　音声再生回数の制限がない場合の結果3.6.1先進的音声技術研究室室長　　河井　恒ほか16名グローバルコミュニケーション計画に向けた音声技術の研究開発