NAVER LABS、IWSLT 2026指示追従タスクに向けたシステム再実装

韓国のNAVER LABSという企業が、音声を聞いて別の言葉に翻訳するAIシステムを改良しました。これは学術の世界で毎年開かれる「IWSLT 2026」という国際大会に向けた取り組みなのですが、ここに見えてくるのは、AIが人間の言葉をより正確に理解し、瞬時に別の言葉に変換する道が着実に進んでいるという事実です。

今回のシステムのポイントは、いくつかのAI技術を組み合わせたハイブリッド戦略にあります。まず、「SeamlessM4T」という音声認識のプロ向けモデルと、「Qwen」という言語処理の専門AIを組み合わせることで、音声から意味を読み取る精度を高めています。ただし、既存技術の寄せ集めではなく、三つの工夫を加えることで性能を引き出しています。

ひとつ目は、異なるAIの「つなぎ目」を整える工夫です。AIには様々な種類がありますが、別々のAIをくっつけるときに「相性の悪さ」が生じることがあります。これを調整することで、全体として滑らかに動くようにしたわけです。

ふたつ目は、事前学習という下地作りの工夫です。実際の複雑な音声翻訳に入る前に、テキストだけを使った基礎トレーニングを行い、その後で多様な情報を組み合わせた本格的な学習に進みます。これは、人間が簡単な問題で基礎を身につけてから難しい問題に取り組むのと似ています。

みっつ目は、学習データの創意工夫です。大会の規則で使える音声データが限られているため、NAVER LABSは提供されたデータから10種類の異なるタスク（質問への回答、意図の理解など）を作り出し、計10万個の学習例を人工的に生成しました。

これらの取り組みで何が実現したかというと、中国語から英語への音声翻訳精度が高まり、技術者向けベンチマーク（COMETスコア）で0.781という比較的高い数値を記録しています。

背景として、音声翻訳の研究は、翻訳業界、カスタマーサービス、国際会議など、現実の場面で大きな需要があります。従来は、音声を一度テキストに直してから翻訳するという迂回ルートが使われていましたが、最近は音声から直接別言語へ変換する試みが増えています。なぜなら、中間段階を減らすことでミスが減り、自然な翻訳結果が得られるからです。

NAVER LABSのアプローチが興味深いのは、最先端の技術を無理に作り出すのではなく、既存の信頼できるAIコンポーネントを賢く組み合わせ、限られたデータでも工夫して学習できるようにしたという点です。これは多くの企業が直面する現実的な課題——予算や時間の制約の中で、どうやって性能を引き出すか——への回答例となっています。