人工知能にとって大きなブレークスルーとなる成果として、音声認識ソフトウェアは人間と同じ精度で言語を理解できるようになった。ただし、その背後にある文脈を把握することは、依然として難しい。
マイクロソフトの研究者たちは、単語誤り率が5.9％のソフトウェアを開発した。この数値は、人間の文字起こし担当者とほぼ同じだ。
「今回の研究上の節目は、コンピューターがすべての単語を完璧に認識したという意味ではありません。実際、人間もそうではありません。そうではなく、誤り率、つまりコンピューターが「haveをisまたはをと聞き間違える割合が、同じ会話を聞いた人に予想されるのと同じだということです」とマイクロソフトはブログ投稿で述べた。
この成果には長年にわたって近づいてきたが、同じチームが誤り率を期待の高まる6.3％まで下げたと報告してからわずか数週間後に達成された。
20年前、発表済みの研究で最高水準だったシステムの単語誤り率は43％を超えていた。
ニューラルネットワーク
IBMIBMとマイクロソフトはともに、脳の生物学的プロセスに着想を得たディープニューラルネットワークの登場が、音声認識の進歩をもたらした主な要因だとしている。
コンピューター科学者たちは何十年にもわたり、画像認識や音声理解などを行うコンピューターシステムの訓練に取り組んできた。しかし最近まで、そうしたシステムには誤りがつきものだった。
マイクロソフトの新しいプログラムは、こうしたディープニューラルネットワークに加え、これまで不可能だった速度でソフトウェアを学習させる専用のグラフィックス処理装置を活用している。
急成長する市場
この節目となる成果は、幅広い分野に大きな影響を及ぼす。
最近の調査で、Tracticaは音声認識ソフトウェアのライセンス数が2024年までに世界で5億5,000万件を超えると予測した。消費者向けと医療分野での利用が最も大きな成長分野だが、この技術は複数の業界に影響を及ぼす。
地域別の音声・音声認識ライセンス数（年間）、2015～2024年
課題は残る
研究者たちは、周囲の雑音が大きい場所など、実環境でシステムを改善するには、さらなる取り組みが必要だとしている。複数の人が話しているときに個々の話者を識別する研究も、長期的な研究課題の一つだ。
Siri、Cortana、Google Assistantに向かって叫んだことのある人なら誰もが証言できるように、コンピューターが話された言葉だけでなく、その意味や文脈も理解できるようにするには、まだ多くの作業が必要だ。コンピューターが人間と同じ精度で質問に答えたり、指示に従ったりできるようになるまでには、まだ時間がかかるだろう。
マイクロソフトのマイクロソフト人工知能・研究グループを率いるハリー・シャム氏は、「コンピューターが発言や表示の真の意味を理解できるようになるのは、ずっと先のことです」と述べている。
