業界用語を習得するための革新的な手法：aiOlaによる音声認識AIの進化

音声認識は、マルチモーダルAIシステムの重要な構成要素です。多くの企業がこの技術を導入したいと考えていますが、業界特有の専門用語の正確な解釈には課題が残っています。イスラエルの革新的なスタートアップ、aiOlaはこの問題に取り組み、大きな進展を遂げています。aiOlaは、音声認識モデルが特定の業界に特化した専門用語をより効果的に理解するための新しいアプローチを導入しました。

この開発により、音声認識システムの精度と応答性が向上し、複雑な企業環境においても、厳しい音響条件下での効果的な提供が可能となります。aiOlaは、最初のケーススタディでOpenAIのWhisperモデルを調整し、単語誤り率を低減し、全体の認識精度を向上させることに成功しました。

音声認識における専門用語の課題

近年、ディープラーニングの進展により、高性能な自動音声認識（ASR）およびトランスクリプションシステムが登場しています。OpenAIのWhisperは、人間レベルの堅牢性と英語音声認識における精度で注目を集めていますが、2022年のローンチ以来、現実のシナリオではノイズの多い環境で正確な音声解釈が困難になることが多いと指摘されています。例えば、重機の稼働音の中での安全アラートの解読や、医療や法律などの専門用語が多用される指示の理解は、非常に難しい場合があります。

最先端のASRモデルを利用する組織は、しばしば特定の業界ニーズに応じたシステムのカスタマイズを試みますが、微調整には多くの時間とコストがかかることが一般的です。「ASRモデルの微調整には数日間と数千ドルが必要です。すでにデータがある場合はそうですが、データがない場合、音声データの収集とラベリングには数か月かかり、数万ドルのコストが発生します」とaiOlaの研究担当VP、ギル・ヘッツは述べています。

これらの課題に対処するため、aiOlaは「コンテキストバイアス」アプローチを2段階で開発しました。まず、AdaKWSキーワードスポッティングモデルが音声サンプルから専門用語を特定します。次に、特定されたキーワードがASRデコーダーに指示し、最終的な文字起こしに専門用語を取り込むことで、モデルが専門的な言語を効果的に認識する能力を高めます。

初期テストでは、aiOlaはWhisperを採用し、パフォーマンス向上のためにKG-Whisper（キーワードガイド付きWhisper）とKG-Whisper-PT（プロンプトチューニング）の2つの技術を試しました。これらの適応は、さまざまなデータセットにおいて、従来のWhisperモデルと比較して性能が向上しました。

「私たちの新しいモデル（KG-Whisper-PT）は、単語誤り率（WER）を大幅に削減し、精度（F1スコア）を向上させました。医療データセットでのテストでは、F1スコアは96.58に達し、Whisperの80.50と比較し、WERは6.15、Whisperは7.33でした」とヘッツは述べています。

重要なのは、この方法がさまざまなASRモデルに適応可能である点です。aiOlaはWhisperを使用しましたが、同じアプローチはMetaのMMSやその他の専用音声認識モデルにも適用でき、企業は再訓練なしに特化した認識システムを構築できます。業界特有の用語リストをキーワードスポッターに提供するだけで済むのです。

「このモデルは、専門用語を正確に識別できる完全なASR機能を提供します。システム全体を再訓練することなく、用語のボキャブラリーを変えるだけでさまざまな業界に適応できるのです。実質的に、特定の例をトレーニング中に見なくても予測できるゼロショットモデルです」とヘッツは説明します。

フォーチュン500企業への時間の節約効果

aiOlaのアプローチは、航空、輸送、製造、物流など、専門用語の多い幅広い業界に利益をもたらします。企業はフォーチュン500の顧客とともにこの適応モデルの導入を始め、専門用語が多いプロセスの管理効率を大幅に向上させています。

例えば、フォーチュン50のグローバルな物流企業は、aiOlaのモデルを活用して日々のトラック検査を自動化し、検査時間を約15分から60秒未満に短縮しました。同様に、カナダの大手スーパーマーケットチェーンもこのモデルを用いて、製品や肉の温度管理を行い、年間で11万時間の時間節約、250万ドル以上の予想節約、5倍のROIを達成しました。

aiOlaは、他の研究チームによるAIのさらなる進展を促すことを目的に研究成果を発表しています。ただし、同社は現時点で適応モデルのAPIアクセスや重みの公開は行っていません。この技術はaiOlaのサブスクリプションベースの製品スイートを通じてのみ企業が利用できます。