ノイズのあるASRにおけるグラフベースの音韻誤り訂正

普段、私たちがスマートフォンの音声アシスタントや、会議の議事録作成ソフトを使っていると、「あれ？今なんて言ったんだろう？」と聞き取ってもらえなかったり、間違った文字に変換されたりすることがありますよね。特に、固有名詞や、否定の「ない」といった、意味を大きく変える部分で間違いが起きやすいと感じたことはありませんか？

実は、こうした間違いの多くは、単に音が似ているから、という音の似たもの同士の「音韻的な間違い」が原因であることが多いのです。例えば、「買って」と「勝って」のように、発音は似ているけれど意味が全く違う、といったケースです。こうした間違いは、AIが単語一つ一つをバラバラに判断するだけでは、なかなかうまく訂正できないという課題がありました。

そこで今回ご紹介するのは、この「音韻的な間違い」をAIで賢く訂正しよう、という新しい技術「G-SPIN」です。この技術は、大きく分けて二つのステップで間違いを直していきます。

まず、一つ目のステップでは「音の似ている言葉の候補を音韻グラフで絞り込む」ということをします。AIが音を聞き取って、これに似ている音の言葉をいくつか候補として挙げます。しかし、ただ似ているだけでなく、音の構造（音韻グラフ）というものを利用して、実際にありえそうな音の組み合わせだけを残します。これにより、候補を無制限に広げるのではなく、音韻的に「ありえそう」なものだけに絞り込むことができるのです。

次に、二つ目のステップでは「文脈を理解して、一番自然な言葉を選ぶ」ということをします。絞り込まれた候補の中から、AIがその前後の言葉（文脈）を見て、一番意味が通る、自然な言葉を選び出します。ここでは、最近よく聞く「大規模言語モデル（LLM）」という、文章の理解が得意なAIが活躍します。このLLMが、文脈に合わない不自然な訂正を防ぎ、より正確な言葉を選んでくれるのです。

このように、G-SPINは、音の似ている言葉の候補を音の構造で絞り込み、さらに文脈で意味を判断するという二段階のプロセスを踏むことで、これまで難しかった音韻的な間違いを、より正確に、そして自然に訂正することを目指しています。しかも、このシステムは、後からでも追加しやすい「モジュール式」で、しかも実際に使う時（推論時）にすぐに動くという、実用性も兼ね備えているのがポイントです。これで、音声認識の精度がもっと向上して、私たちの生活がより便利になることが期待されますね。