研究者は、自動音声認識を2,000の言語に拡大しようとしている

カーネギーメロン大学の研究者チームは、自動音声認識を2,000の言語に拡大しようとしている。現在、世界中で話されている約7,000から8,000の言語のうち、わずかな部分だけが、音声からテキストへの転写や自動字幕付けなどの最新の言語技術の恩恵を受けている。

シンジャン・リは、コンピューターサイエンス学部の言語技術研究所（LTI）の博士課程の学生である。

「この世界には多くの言語を話す人々がいるが、言語技術ツールはすべての言語に対して開発されていない」と彼は述べた。「すべての人々のために技術と良い言語モデルを開発することは、この研究の目標の1つである」。

リは、言語が音声認識モデルを開発するために必要なデータ要件を簡素化しようとしている専門家チームの一員である。

チームには、LTIの教員であるシンジ・ワタナベ、フロリアン・メッツェ、デビッド・モーティンセン、アラン・ブラックも含まれている。

「ASR2K: オーディオなしで約2,000の言語の音声認識」と題された研究は、韓国で開催されたInterspeech 2022で発表された。

既存の音声認識モデルの大部分は、テキストとオーディオのデータセットを必要とする。テキストデータは数千の言語に対して存在するが、オーディオデータは同様に存在しない。チームは、言語間で共通する言語要素に焦点を当てることで、オーディオデータの必要性を排除したいと考えている。

音声認識技術は通常、各言語を区別する独自の音（phoneme）に焦点を当てている。これらは各言語に固有である。一方、言語には、単語の発音を物理的に記述するphoneがあり、複数のphoneは1つのphonemeに対応することができる。異なる言語には異なるphonemeがあるが、基になるphoneは同じである可能性がある。

チームは、phonemeよりもphoneが言語間で共有される情報に重点を置く音声認識モデルを開発している。これにより、各言語に個別のモデルを構築する必要が減り、言語間の関係を示す系統樹（phylogenetic tree）と組み合わせることで、発音規則の推定が可能になる。チームのモデルと系統樹構造により、オーディオデータなしで数千の言語の音声モデルを近似することが可能になった。

「オーディオデータの要件を除去しようとしている。これにより、100から200の言語から2,000の言語へと移行できる」とリは述べた。「このような大量の言語を対象とした最初の研究であり、言語ツールをこのような規模に拡大しようとしている最初のチームである」。

研究はまだ初期段階にあるが、既存の言語近似ツールを5%改善することができた。

「各言語はその文化における非常に重要な要素である。各言語にはその独自の物語があり、言語を保存しようとしないと、その物語は失われる可能性がある」とリは述べた。「このような音声認識システムとツールを開発することは、言語を保存しようとする一歩である」。