小米、聞きたい話者に絞る音声認識モデル「CocktailASR-1」を公開

自動音声認識は、周囲が静かで一人の声が明瞭に収録されている場合には比較的うまく機能します。しかし、会議や雑談のように複数人が同時に話す状況では、単に音声を文字へ変換するだけでは不十分です。混ざった音声の中から誰が話しているのかを見分け、さらにどの人物の発話を認識するのかを決めなければなりません。これは音声処理で長く知られている「カクテルパーティー問題」です。

小米が公開したCocktailASR-1は、ターゲット話者音声認識を軸にこの課題へ取り組みます。公開情報によれば、従来のノイズ除去を単純に強化するのではなく、入力とタスクの定義を変える点が特徴です。まず聞きたい話者をシステムに示し、その後、混合音声から対象人物の発話を追跡して認識し、他の話者の発話をできるだけ出力しないことを目指します。

主なポイント

• 重なり合う発話を対象にする：一人だけが話す通常の文字起こしではなく、同時発話のある環境を意識しています。
• 話者の指定を条件にする：誰の声を聞くのかという情報を、認識処理の一部として利用します。
• 一般的なノイズ除去とは異なる：ノイズ除去が不要な音を抑えるのに対し、この方法は「誰の声を残すべきか」を明確にします。
• 実用化を意識した公開：小米は本モデルを産業級のターゲット話者音声認識モデルとして位置付け、オープンソースで公開しました。

この考え方の利点は、複雑な分離問題を、条件付きの認識問題へ置き換えられることです。実際の利用場面では、部屋にいる全員の発言を文字起こしする必要があるとは限りません。会議で特定の参加者を追跡したい場合や、グループ通話で一人の発話だけを確認したい場合など、対象を絞ることが役立つ可能性があります。

ただし、これだけでカクテルパーティー問題が解決したと判断するのは早計です。対象話者の情報をどのように与えるのか、話者が一時的に黙ったときも追跡できるのか、声の似た人物や頻繁な割り込みにどう対応するのかは重要な論点です。今回確認できる素材には、モデル構造、学習データ、評価結果、オープンソースライセンスの具体的な説明はありません。そのため、現段階では性能を断定せず、新しい技術方針として見るのが適切です。

この公開が示す方向性は、音声認識を「聞こえるものをすべて文字にする」処理から、「利用者が聞きたい声を理解する」処理へ広げることです。会議記録、補聴支援、車載対話、イヤホン、公共空間の音声インターフェースなどへの応用が考えられます。今後の価値は、第三者評価や再現性、さまざまな音響環境での検証によって決まるでしょう。

出典：OSChina