「音声認識AIのための自己教師学習とデータ拡張技術」に関する論文が、音声・言語処理技術の国際会議「INTERSPEECH 2024」で採択

～効果的・効率的な学習手法を開発し、音声認識AIの性能向上を確認～

株式会社リコー（社長執行役員：大山 晃)は、「音声認識AIのための自己教師学習とデータ拡張技術」に関する論文が、音声言語処理分野の国際会議「INTERSPEECH 2024」に採択されたことをお知らせいたします。リコーの論文が、本会議で採択されるのは初めてとなります。

今回採択された論文では、音声認識AIモデルに、書き起こしテキストの無い音声データのみを用いて効果的かつ効率的に学習させる手法の技術開発について発表しました。
従来の音声認識の学習過程では、入力する音声とそれに対応する書き起こしテキストのペアを用いて、それらの対応関係を学習させる『教師あり学習』を行うのが一般的です。その学習方法では、大量の書き起こし付き音声が必要となるため、学習データの入手に多大なコストがかかることが課題でした。
また、実際の使用環境で得られる音声は、用途・場所等により音声品質が異なるため、さまざまな環境で利活用できるようにするために、音響ノイズへの耐性の強化が必要となります。
今回、リコーが開発した独自の自己教師学習手法と、音響ノイズ耐性を強化するデータ拡張技術により、従来の学習方法と比べて低コストで、より精度の高い音声認識性能を実現しました。
本技術についての詳細については、技術ページをご覧ください。
技術ページ「音声認識AIのための自己教師学習とデータ拡張技術」
https://jp.ricoh.com/technology/tech/134_speech_recognition_AI




[画像1]https://digitalpr.jp/simg/2160/93920/500_133_2024082710343166cd2d2785ddd.png


音声認識AIは、人が発した言葉や声、会話をAIが認識・解析し、テキストデータへ変換して出力する技術です。昨今、会議中の字幕表示、議事録や報告書の作成等、ビジネスの現場で活用が広がっています。音声認識AIを使えば、人がキーボードを使って音声をテキスト化する場合に比べて、早くテキスト化・システムへのデータ入力が可能となるため、業務効率化につながる非常に有効な入力方式として期待されています。
リコーの開発する音声認識AIは、マイクから離れたノイズや残響を含む音声、人同士のくだけた話し言葉も高い精度で認識することができる独自の技術を有しており、正確さが求められるビジネスの現場での活用に適しています。また、この特徴はリコーが開発中のAIエージェントにも活かされています。リコーのAIエージェントは、音声会話の内容をAIが素早く認識・解析し、動的に次の質問を生成して対話を重ねていくことで、会話の中でお客様のニーズを捉え、的確な提案を行います。さらに、リコーはこのような音声認識AIと他のAI技術とを組み合わせ、お客様の働く場所での会話・音声データの利活用を支援し、新たな価値に変え、お客様の経営課題解決につながるデジタルサービスをご提供します。