音声認識（自動音声認識（ASR）、コンピュータ音声認識、または音声テキスト変換（STT ））は、話し言葉をテキストまたはその他の解釈可能な形式に変換する方法と技術に関する計算言語学のサブフィールドです。 [1]

音声認識アプリケーションには、音声ユーザーインターフェースが含まれます。音声ユーザーインターフェースでは、ユーザーがデバイスに話しかけると、デバイスが音声を「聞き取り」、処理します。一般的な音声アプリケーションには、通話、通話ルーティング、ホームオートメーション、航空機制御などのコマンドの解釈が含まれます。これらのアプリケーションは、直接音声入力と呼ばれます。生産性向上アプリケーションには、録音音声の検索、トランスクリプトの作成、ディクテーションなどがあります。

音声認識は、発音評価を使用して母国語を識別するなど、話者の特徴​​を分析するために使用できます。[2]

音声認識[3] [4] [5]（話者識別）[6] [7] [8]は、音声の内容ではなく、話者を識別することを指します。話者を認識することで、特定の人物の声に合わせて学習されたシステムにおける音声翻訳のタスクが簡素化されます。また、セキュリティプロセスの一環として話者を認証するためにも使用できます。

歴史

音声認識のアプリケーションは数十年にわたって発展してきましたが、ディープラーニングの進歩とビッグデータの活用により、その進歩は加速しています。これらの進歩は、学術論文の増加[9]やシステムの採用拡大[10]に反映されています。

主な成長分野としては、語彙の規模、未知の話者に対するより正確な認識（話者独立性）、および処理速度の高速化などが挙げられます。

1970年以前

ラジ・レディは、1960年代後半にスタンフォード大学の大学院生として連続音声認識の研究に取り組んだ最初の人物です[18] 。以前のシステムでは、ユーザーは単語ごとに一時停止する必要がありました。レディのシステムは、チェスをプレイするための音声コマンドを発行しました。

この頃、ソ連の研究者たちはダイナミックタイムワーピング（DTW）アルゴリズム[19]を発明し、これを用いて200語の語彙を処理できる認識装置を開発しました[20] 。DTWは音声を短いフレーム（例えば10ミリ秒のセグメント）に分割し、各フレームを単位として処理しました。しかし、話者独立性の問題は未解決のままでした。

1970～1990年

  • 1971年 – DARPAは5年間の音声認識研究プロジェクト「音声理解研究」に資金を提供し、1,000語以上の語彙の実現を目指しました。このプロジェクトでは、音声理解が音声認識の進歩の鍵となると考えられていましたが、これは後に反証されました。[21] BBN、IBM、カーネギーメロン大学（CMU）、スタンフォード研究所が参加しました。[22] [23]
  • 1972年 – IEEE 音響、音声、信号処理グループがマサチューセッツ州ニュートンで会議を開催しました。
  • 1976年 – 最初のICASSPがフィラデルフィアで開催され、音声認識に関する主要な発表の場となった。[24]

1960年代後半、レナード・バウムは防衛分析研究所でマルコフ連鎖の数学を開発しました。10年後、カーネギーメロン大学で、ラジ・レディの学生であったジェームズ・ベイカーとジャネット・M・ベイカーは、隠れマルコフモデル（HMM）を音声認識に使い始めました。 [25]ジェームズ・ベイカーは防衛分析研究所在籍中にHMMについて学んでいました。[26] HMMにより、研究者は音響、言語、統語論などの知識源を統一された確率モデルに統合することができました。

1980年代半ばまでに、 IBMのフレッド・ジェリネックのチームは、2万語の語彙を処理できるTangoraと呼ばれる音声起動タイプライターを開発しました。[27]ジェリネックの統計的アプローチは、人間の脳のプロセスを模倣することよりも、統計的モデリングを重視していました。（ジェリネックのグループは、HMMの音声への応用を独自に発見しました。[26]）HMMは人間の言語の多くの特徴を説明するには単純すぎるため、言語学者の間では物議を醸しました。[28]しかし、HMMは音声をモデリングする非常に有用な方法であることが証明され、1980年代にはダイナミックタイムワーピングに取って代わり、音声認識アルゴリズムの主流となりました。[29] [30]

  • 1982年 -ジェームズとジャネット・M・ベイカーによって設立されたドラゴンシステムズ[31]は、IBMの数少ない競合企業の1つでした。

実用的な音声認識

1980 年代には、 n-gram言語モデルも導入されました。

  • 1987年 –バックオフモデルにより言語モデルで複数長nグラムを使用できるようになり、CSELT [32]はHMMを使用して言語を認識しました（ソフトウェアとハ​​ードウェア、例：RIPAC）。

1976年のDARPAプログラム終了時点で、研究者が利用できる最高のコンピュータは4MBのRAMを搭載したPDP-10でした。[33] 30秒の音声を解読するのに最大100分かかることもありました。[34]

実用的な製品には以下が含まれます:

  • 1984年 - Apricot Portableが最大4096ワードのサポートでリリースされましたが、一度にRAMに保持できるのは64ワードだけでした。[35]
  • 1987年 – カーツワイル応用知能の認識装置
  • 1990年 – Dragon Dictate、1990年に発売された消費者向け製品。[36] [37] AT&Tは1992年に音声認識通話処理サービスを導入し、人間のオペレーターなしで電話のルーティングを可能にしました。[38]この技術はベル研究所のローレンス・ラビナーらによって開発されました。

1990年代初頭までに、一般的な商用音声認識システムの語彙は平均的な人間の語彙を超えていました。[33]レディの元教え子である黄雪東は、 CMUでSphinx-IIシステムを開発しました。Sphinx-IIは、話者非依存、大規模語彙、連続音声認識を実現した最初のシステムであり、1992年のDARPAの評価で優勝しました。大規模語彙での連続音声の処理は大きなマイルストーンでした。黄は後に1993年にマイクロソフトで音声認識グループを設立しました。レディの教え子である李凱復はアップルに入社し、1992年にCasper音声インターフェースのプロトタイプの開発に貢献しました。

ベルギーに拠点を置く音声認識会社であるLernout & Hauspieは、1997年にKurzweil Applied Intelligence、2000年にDragon Systemsなどを含む企業を買収しました。L&Hの技術はWindows XPに使用されていました。L&Hは2001年に会計スキャンダルで倒産するまで業界のリーダーでした。L&Hの音声技術はScanSoftに買収され、同社は2005年にNuanceとなりました。AppleはデジタルアシスタントSiriにNuanceのソフトウェアのライセンスを取得しました。[39]

2000年代

2000年代に、DARPAは2つの音声認識プログラムを後援した。2002年のEffective Affordable Reusable Speech-to-Text（EARS）、続いて2005年のGlobal Autonomous Language Exploitation（GALE）である。EARSには4つのチームが参加した。IBM、BBNがLIMSIとピッツバーグ大学と率いるチーム、ケンブリッジ大学、ICSI、SRI、ワシントン大学で構成されたチームである。EARSは、500人以上の話者による260時間分の会話を録音したSwitchboard電話音声コーパスの収集に資金を提供した。 [40] GALEプログラムは、アラビア語と北京語の放送ニュースに焦点を当てていた。Googleが音声認識に初めて取り組んだのは、2007年にNuanceの研究者を採用した後だった。[ 41]

少なくとも2006年以来、米国国家安全保障局はキーワードスポッティングを採用しており、アナリストは大量の録音された会話をインデックス化し、「興味深い」キーワードを含むスピーチを識別できるようになっている。[42] DARPAのEARSプログラムやIARPAのBabelプログラムなど、諜報アプリケーションに焦点を当てた他の政府研究プログラムもあった。

2000年代初頭、音声認識は隠れマルコフモデルとフィードフォワード型人工ニューラルネットワーク（ANN）を組み合わせたものが主流でした。[43]その後、音声認識は、 1997年にSepp HochreiterとJürgen Schmidhuberによって発表されたリカレントニューラルネットワーク（RNN）である長短期記憶（LSTM ）に取って代わられました。 [44] LSTM RNNは勾配消失問題を回避し、音声認識にとって重要な、数千もの離散時間ステップ前に発生したイベントの記憶を必要とする 「非常に深い学習」タスク[45]を学習できます。

2007年頃、コネクショニスト時間分類（CTC）[46]で学習したLSTMが優れた性能を発揮し始めました。[47] 2015年にGoogleは、CTCで学習したLSTMを使用することで、音声認識のエラー率が49%削減されたと報告しました。[48] トランスフォーマーは、注意のみに基づいたニューラルネットワークの一種で、コンピュータービジョン[49] [50]や言語モデル[51] [52]に採用され、その後、音声認識にも採用されました。[53] [54] [55]

音響モデリングのためのディープフィードフォワード（非回帰型）ネットワークは、2009年にトロント大学のジェフリー・ヒントンと彼の学生、およびマイクロソフトリサーチのリ・デン[56]と同僚によって導入されました。 [57] [58] [59] [60]これまでの漸進的な改善とは対照的に、ディープラーニングはエラー率を30％削減しました。[60]

ANNの浅い形式と深い形式（例えば、リカレントネット）は1980年代から研究されてきました。[61] [62] [63]しかし、これらの手法は、非均一な内部ハンドクラフトによるガウス混合モデル/隠れマルコフモデル（GMM-HMM）技術に勝つことはできませんでした。[64] 1990年代に分析された困難には、勾配減少[65]と弱い時間的相関構造[66] [67]が含まれていました。これらの困難はすべて、不十分なトレーニングデータと計算能力と相まって発生しました。ほとんどの音声認識は、深層学習が勝利するまで、生成モデリングアプローチを追求していました。HintonらとDengら[58] [59] [68] [69]

2010年代

2010年代初頭までに、音声認識[70] [71] [72]は話者認識と区別され、話者独立性は大きな進歩とみなされるようになりました。それまでは、システムは各音声ごとに「トレーニング」期間を必要としていました。[15]

2017年、マイクロソフトの研究者たちは、広くベンチマークされているスイッチボードタスクにおいて、会話音声の書き起こしにおいて人間と同等の精度を達成しました。精度向上のため、複数のディープラーニングモデルが活用されました。エラー率は、同じベンチマークで4人のプロの書き起こし専門家が共同作業を行った場合と同程度に低いことが報告されています。[73]

モデル、方法、アルゴリズム

音響モデルと言語モデルはどちらも、統計に基づく音声認識アルゴリズムの重要な部分です。隠れマルコフモデル（HMM）は多くのシステムで広く利用されています。言語モデルは、文書分類や統計的機械翻訳など、他の多くの自然言語処理アプリケーションでも利用されています。

隠れマルコフモデル

音声認識システムはHMMに基づいています。HMMは、一連の記号または量を出力する統計モデルです。音声信号は区分定常信号、あるいは短時間定常信号と見なすことができるため、HMMは音声認識に使用されます。短時間スケール（例えば10ミリ秒）では、音声は定常プロセスとして近似できます。音声は、多くの確率的目的において マルコフモデルとして考えることができます。

HMM は自動的にトレーニングでき、シンプルで計算しやすいため人気があります。HMM はn次元の実数値ベクトルのシーケンスを出力します ( nは 10 などの整数)。このベクトルは 10 ミリ秒ごとに 1 つ出力されます。ベクトルはケプストラム係数で構成されます。ケプストラム係数は、短い音声ウィンドウをフーリエ変換し、コサイン変換を使用してスペクトルの相関を取り除いてから、最初の (最も重要な) 係数を取得します。HMM は、各状態で、観測されたベクトルごとに尤度を与える対角共分散ガウス分布の混合である統計分布を持つ傾向があります。各単語、または (より一般的な音声認識システムの場合は) 各音素には、異なる出力分布があります。単語または音素のシーケンスの HMM は、個別の単語と音素に対して個別にトレーニングされた HMM を連結することによって作成されます。

音声認識システムは、標準的な手法を組み合わせて結果を改善します。典型的な大語彙システムでは、音素にコンテキスト依存性を適用します（そのため、左右のコンテキストが異なる音素は、HMM 状態として異なる実現値を持ちます）。ケプストラム正規化を使用して、話者と録音条件を処理します。男性と女性の正規化には声道長正規化（VTLN）を使用し、より一般的な適応には最尤線形回帰（MLLR）を使用します。特徴は、デルタ係数とデルタデルタ係数を使用して音声のダイナミクスを捉え、さらに異分散線形判別分析（HLDA）を使用する場合もあります。あるいは、スプライシングとLDAベースの射影を使用した後に HLDA またはグローバル半同位共分散変換（最尤線形変換（MLLT）とも呼ばれる）を使用する場合もあります。多くのシステムでは、HMM パラメータ推定に対する純粋に統計的なアプローチを使わず、代わりにトレーニング データの分類関連の尺度を最適化する識別トレーニング手法を使用しています。例としては、最大相互情報量(MMI)、最小分類誤差 (MCE)、最小電話誤差 (MPE) などがあります。

ダイナミックタイムワーピング（DTW）ベースの音声認識

動的タイムワーピングは歴史的には音声認識に使用されていましたが、後に HMM に置き換えられました。

動的時間ワーピングは、時間や速度が異なる2つのシーケンス間の類似性を測定します。例えば、ある動画では人物がゆっくり歩いているのに、別の動画ではより速く歩いている場合でも、あるいは1回の観察中に加速と減速が起こった場合でも、歩行パターンの類似性を検出できます。DTWは動画、音声、グラフィックスに適用されており、線形表現に変換できるあらゆるデータをDTWで分析できます。

この手法は、異なる発話速度の音声を扱うことができます。一般的に、一定の制約の下で、2つのシーケンス（例えば時系列）間の最適なマッチングを実現します。シーケンスは互いに一致するように非線形に「歪められる」ため、このシーケンスアライメント手法はHMMのコンテキストでよく使用されます。

ニューラルネットワーク

ニューラルネットワークは1980年代後半に注目を集め、2010年代に主流となり始めました。ニューラルネットワークは、音素分類[74]、[75] 、多目的進化アルゴリズムによる音素分類、[76]、単語認識[77]、 [78] 、 視聴覚音声認識、視聴覚話者認識、話者適応など、音声認識の様々な分野で利用されてきました。

ニューラルネットワークは、HMMよりも特徴量の統計的特性に関する明示的な仮定が少ない。音声区間の確率を推定するためにニューラルネットワークを用いると、自然で効率的な識別学習が可能になる。しかし、個々の音素や孤立した単語といった短時間単位の分類には有効であったものの、[77]初期のニューラルネットワークは、時間依存性をモデル化する能力が限られていたため、連続認識にはほとんど成功しなかった。

一つのアプローチは、ニューラルネットワークを特徴変換、つまり次元削減に使うことでした。[78]しかし、最近では、LSTMと関連するリカレントニューラルネットワーク（RNN）[44] [48] [79] [80]時間遅延ニューラルネットワーク（TDNN）[81]およびトランスフォーマー[53] [54] [55]が性能向上を実証しました。

ディープフィードフォワードニューラルネットワークとリカレントニューラルネットワーク

研究者たちは、ディープニューラルネットワーク（DNN）とノイズ除去 オートエンコーダの研究を進めています[82]。DNNは、入力と出力の間に複数の隠れ層を持つ人工ニューラルネットワークの一種です[58] 。より単純なニューラルネットワークと同様に、DNNは複雑で非線形な関係をモデル化できます。しかし、そのより深いアーキテクチャにより、以前の層の特徴を組み合わせた、より洗練された表現を構築できます。これにより、音声データにおける複雑なパターンを学習・認識する強力な能力が得られます[83] 。

2010年に、大語彙音声認識におけるDNNの活用に大きな進歩が見られました。産学連携の研究チームは、決定木を用いて作成されたコンテキスト依存HMM状態に基づく大規模出力層を備えたDNNを開発しました。[84] [85] [86]このアプローチにより、性能が大幅に向上しました。[87] [88] [89]

深層学習の核となる考え方は、手動で設計した特徴量を不要にし、入力データから直接学習することです。これは、生のスペクトログラムまたは線形フィルタバンク特徴量で学習した深層オートエンコーダを用いて初めて実証されました。[90]これらのモデルは、固定された変換に依存する従来のメルケプストラム特徴量よりも優れた性能を示しました。最近では、研究者らは、波形特徴量が大規模な音声認識において優れた結果を達成できることを示しました。[91]

エンドツーエンドの学習

2014年以降、多くの研究で「エンドツーエンド」ASRが検討されてきました。従来の音声ベース（つまり、すべてHMMベースのモデル）のアプローチでは、発音、音響、言語のそれぞれについて個別のコンポーネントとトレーニングが必要でした。エンドツーエンドモデルは、すべてのコンポーネントから一度に学習します。これにより、トレーニングと展開のプロセスが簡素化されます。例えば、すべてのHMMベースのシステムにはnグラム言語モデルが必要であり、2025年代の典型的なnグラム言語モデルは、多くの場合、数ギガバイトのメモリを消費するため、モバイルデバイスへの展開は現実的ではありません。[92]その結果、GoogleとAppleのASRシステム（2017年現在）はサーバー上に展開され、動作にはネットワーク接続が必要でした。[要出典]

エンドツーエンドのASRへの最初の試みは、2014年にGoogle DeepMindのアレックス・グレイブスとトロント大学のナブディープ・ジャイトリーによって導入されたコネクショニスト時間分類（CTC）ベースのシステムでした。 [93]このモデルはRNNとCTC層で構成されていました。RNN-CTCモデルは発音と音響モデルを同時に学習しますが、HMMと同様に条件付き独立性の仮定のため言語モデルを学習することはできません。その結果、CTCモデルは音声音響を英語の文字にマッピングすることを直接学習できますが、モデルは多くの一般的なスペルミスを犯し、トランスクリプトを完成させるために別の言語モデルに頼らなければなりません。その後、百度は非常に大規模なデータセットを用いてこの研究を拡張し、中国語と英語で商業的な成功を収めました。[94]

2016年、オックスフォード大学はLipNet [ 95]を発表しました。これは、時空間畳み込みとRNN-CTCアーキテクチャを組み合わせた、初めてのエンドツーエンドの文レベル読唇モデルであり、限られたデータセットで人間レベルのパフォーマンスを上回りました。[96]大規模な畳み込みRNN-CTCアーキテクチャは、2018年にGoogle DeepMindによって発表され、人間の専門家よりも6倍優れたパフォーマンスを達成しました。[97] 2019年、Nvidiaは、全体的なパフォーマンスの単語誤り率（WER）が3％である2つのCNN-CTC ASRモデル、JasperとQuarzNetをリリースしました。[98] [99]他のディープラーニングアプリケーションと同様に、転移学習とドメイン適応は、特に多くの言語や特定のドメインで利用可能なコーパスのサイズが小さいため、ディープラーニングモデルの機能を再利用および拡張するための重要な戦略です。[100] [101] [102]

2018年、MITメディアラボの研究者たちは、ユーザーが発声する際に電極を使って神経筋信号を読み取るデバイス「AlterEgo」の予備研究を発表しました。[103]彼らは畳み込みニューラルネットワークを訓練し、電極信号を言葉に変換しました。[104]

注意ベースのモデル

注意ベースのASRモデルは、カーネギーメロン大学のChanらとGoogle Brain、そしてモントリオール大学のBahdanauらによって2016年に導入されました。 [105] [106]「Listen, Attend and Spell」（LAS）と名付けられたこのモデルは、文字通り音響信号を「聞き」、信号のすべての部分に「注意」を払い、トランスクリプトを1文字ずつ「綴ります」。CTCベースのモデルとは異なり、注意ベースのモデルは条件付き独立性の仮定を必要とし、音声認識装置のすべてのコンポーネントを直接学習できます。つまり、展開時に事前の言語モデルは必要なく、メモリが限られたアプリケーションにとって負荷が低くなります。

注意ベースのモデルは、CTCモデル（外部言語モデルの有無にかかわらず）をすぐに上回り、その後も改善を続けました。[107]潜在的シーケンス分解（LSD）は、カーネギーメロン大学、MIT、Google Brainによって提案され、英語の文字よりも自然なサブワード単位を直接生成します。[108]オックスフォード大学とGoogle DeepMindは、 LASを「見る、聞く、注意する、そして綴る」（WLAS）に拡張してリップリーディングを処理させ、人間のパフォーマンスを上回りました。[109]

アプリケーション

車載システム

音声コマンドは、電話をかけたり、ラジオ局を選んだり、音楽を再生したりするのに使用できます。音声認識機能は、車種によって異なります。一部の車種では自然言語音声認識機能が搭載されており、運転者は会話形式で完全な文章や一般的なフレーズを入力することができます。このようなシステムでは、決まったコマンドは必要ありません。[110]

教育

自動発音評価は音声認識を使用して音声の正確さを検証することであり、[111]人間による評価とは区別されます。[112]音声検証、発音評価、発音スコアリングとも呼ばれるこの技術の主な用途は、コンピュータ支援言語学習(CALL)のためのコンピュータ支援指導、音声矯正、またはアクセント削減と組み合わせたコンピュータ支援発音指導(CAPT) です。発音評価では、未知の音声 (ディクテーションや自動文字起こしのように) を判定するのではなく、発話された単語の参照モデルと音声を比較します。 [113] [114]時には、イントネーション、ピッチ、テンポ、リズム、ストレスなどの重要でない韻律が考慮されることがあります。[115]発音評価は、 Microsoft Teams [116]や Amira Learningなどの製品などの読み取り指導にも使用されます。 [117]発音評価は失行症などの言語障害の診断や治療にも役立ちます。[118]

明瞭度を評価することは、特に重要な評価において、アクセントバイアスによる不正確さを回避するために不可欠です。[119] [120] [121]正しい発音が複数ある単語[122]や、デジタル発音辞書の音素コーディングエラー[123]などです。 2022年、研究者たちは、エンドツーエンドの強化学習に基づいて音声信号を直接単語にマッピングする新しい音声テキスト変換システムが、聞き手の明瞭度と密接に相関する単語とフレーズの信頼度スコアを生成することを発見しました。[124]ヨーロッパ言語共通参照枠（CEFR）の「全体的な音韻制御」の評価基準では、すべてのレベルにおいて、明瞭度は形式的に正しい発音よりも重視されます。[125]

健康管理

医療文書

医療分野では、音声認識は医療文書作成プロセスのフロントエンドまたはバックエンドに導入できます。フロントエンドの音声認識では、医療提供者が音声認識エンジンに口述し、認識された単語が表示されます。話者は文書の編集と承認を行います。バックエンド、つまり遅延音声認識では、医療提供者がデジタルディクテーションシステムに口述し、音声は音声認識装置に送られます。そして、音声ファイルと共に原稿が編集者に送られ、編集者が原稿と最終報告書を編集・確定します。[要出典]

大きな問題の一つは、2009年アメリカ復興・再投資法（ARRA）が、 「有意義な利用」基準に準拠した電子医療記録（EHR）を利用する医師に多大な経済的利益をもたらしていることです。これらの基準では、EHRで大量のデータを維持することが義務付けられています。音声認識の使用は、放射線学／病理学の解釈、経過記録、退院サマリーの一部としての物語テキストの生成に適しています。音声認識を使用して構造化された離散データ（例：数値、リストまたは制御された語彙からのコード）を入力することによる人間工学的な利点は、目が見え、キーボードとマウスを操作できる人にとっては比較的わずかです。

さらに重大な問題は、ほとんどの電子医療記録（EHR）が音声認識機能を活用するように明確にカスタマイズされていないことです。臨床医がEHRを操作する際、その大部分はキーボードとマウスに大きく依存するユーザーインターフェースを介したナビゲーションです。音声によるナビゲーションは人間工学的なメリットをほとんど提供しません。対照的に、放射線科や病理学のディクテーション向けに高度にカスタマイズされたシステムの多くは、音声「マクロ」を実装しています。特定のフレーズ（例えば「正常報告」）を入力すると、多数のデフォルト値が自動的に入力されたり、定型文が生成されたりしますが、これらの値は検査の種類（例えば、放射線科システムにおける胸部X線検査と消化管造影検査）によって異なります。

治療目的の使用

ワードプロセッサと併用した音声認識ソフトウェアの長期使用は、切除術を受けた脳動静脈奇形（AVM）患者の短期記憶の再強化に効果があることが示されています。放射線学的手法を用いてAVMを治療した患者の認知機能への効果を明らかにするには、さらなる研究が必要です。[126]

軍隊

航空機

戦闘機における音声認識の試験と評価には、多大な努力が費やされてきました。特に注目すべきは、米国の先進戦闘機技術統合（AFTI） / F-16航空機（F-16 VISTA ）向け音声認識プログラム、フランスのミラージュ航空機向けプログラム、そして英国の様々な航空機プラットフォームを対象としたプログラムです。これらのプログラムでは、音声認識装置が無線周波数の設定、自動操縦システムの制御、操舵点座標と兵器投下パラメータの設定、飛行表示の制御といった用途で、成功を収めています。

エングルンド（2004）は、JAS-39グリペンを操縦するスウェーデン人パイロットと共同研究を行い、重力負荷の増加に伴い認識率が低下することを報告した。この研究では、適応によって全てのケースで結果が大幅に改善され、呼吸モデルの導入によって認識スコアが大幅に向上することが示されたと結論付けられている。予想に反して、話者の片言の英語の影響は見られなかった。当然のことながら、自発的な発話は認識装置に問題を引き起こした。したがって、語彙の制限、そして何よりも適切な統語性によって、認識精度が大幅に向上することが期待できる。[127]

ユーロファイター・タイフーンは音声依存型システムを採用しており、パイロットはそれぞれテンプレートを作成する必要がある。このシステムは、武器の投下や着陸装置の降下といった安全上または兵装上重要なタスクには使用されないが、コックピットの多くの機能に使用されている。音声指示は、視覚的および／または聴覚的なフィードバックによって確認される。このシステムはパイロットの作業負荷軽減に大きなメリットをもたらすと考えられており[128]、パイロットは2つの音声指示で目標を指定でき、僚機には5つの指示で指示できる。[129]

話者非依存システムは、F-35ライトニングII（JSF）とアレニア・アエルマッキM-346マスター先行訓練戦闘機で試験中であり、98%を超える単語精度スコアを達成している。[130] [131]

ヘリコプター

ストレスとノイズの下で高い認識精度を達成する問題は、戦闘機環境だけでなく、ヘリコプター環境でも特に重要です。音響ノイズの問題は、実際にはヘリコプター環境の方が深刻です。これは、騒音レベルが高いことと、ヘリコプターのパイロットは一般的にマイクロフォンの音響ノイズを低減するフェイスマスクを着用しないからです。米国陸軍航空電子工学研究開発活動 (AVRADA) と英国王立航空宇宙研究所 ( RAE ) による、実質的なテストおよび評価プログラムがあります。フランスでの作業には、Puma ヘリコプターの音声認識が含まれていました。音声アプリケーションには、通信無線、ナビゲーション システム、自動ターゲット ハンドオーバー システムの制御が含まれます。

音声に関する最も重要な問題は、パイロットの有効性への影響です。AVRADA試験では有望な結果が報告されていますが、これは試験環境における実現可能性の実証に過ぎません。運用環境において一貫した性能向上を達成するためには、 音声認識だけでなく、音声技術全般においても、まだ多くの課題が残されています。

航空管制

航空管制官（ATC）の訓練は、音声認識システムの優れた応用分野です。現在、多くのATC訓練システムでは、訓練生の管制官と音声対話を行う「擬似パイロット」と呼ばれる訓練生のパイロット役をトレーナーが務めています。これは、管制官と実際のパイロットとの対話をシミュレートするものです。音声認識・合成技術は、擬似パイロット役を担う人員を不要にし、訓練およびサポート要員の削減につながる可能性があります。

理論上、管制官の業務は高度に構造化された音声を主要な出力として特徴づけられるため、音声認識タスクの難易度は低くなります。しかし、実際にはそうはいきません。FAA文書7110.65には、管制官が使用すべきフレーズが詳細に規定されています。この文書では、そのようなフレーズの例が150件未満しか示されていませんが、あるシミュレーションベンダーの音声認識システムでは、50万件を超えるフレーズがサポートされています。

アメリカ空軍、アメリカ海兵隊、アメリカ陸軍、アメリカ海軍、FAA、そしてオーストラリア空軍やイタリア、ブラジル、カナダの民間航空局などの国際的な航空管制訓練機関は、音声認識機能付きの航空管制シミュレータを使用しています。[132]

障害のある人々

音声認識プログラムは、障害のある人々に多くのメリットをもたらします。聴覚障害のある方や難聴の方の場合、音声認識ソフトウェアを使用して会話の字幕を生成することができます。 [133]さらに、視覚障害のある方（「失明と教育」を参照）や視力の弱い方は、テキストコンテンツを聞くことで恩恵を受けることができるだけでなく、音声で指示を出すことでコンピューターの機能を拡張することもできます。[134]

音声認識ソフトウェアを、デジタルオーディオレコーダーとワードプロセッサソフトウェアが動作するパソコンと組み合わせて使用​​すると、脳卒中を患った人や頭蓋切開手術を受けた人の損傷した短期記憶能力を回復するのに役立つことが証明されています。 [引用が必要]

音声認識は、軽度の反復性ストレス障害から従来のコンピュータ入力機器の使用を妨げる障害まで、様々な原因で手を使うことが困難な人にとって非常に有用であることが証明されている。身体障害者は音声コマンドと文字変換を使用してハンズフリーで電子機器を操作することができる。[134]実際、キーボードの使用によりRSIを発症した人々は、音声認識の初期の緊急市場となった。[135] [136]音声認識は、ボイスメールからテキストへの変換、リレーサービス、字幕付き電話など、聴覚障害者向け電話サービスに使用されている。思考と紙によるコミュニケーションに苦労する学習障害者は、このソフトウェアから恩恵を受ける可能性があるが、製品の誤りは多くの人にとって依然として重要な考慮事項である。[137]さらに、音声テキスト変換技術は、適切なトレーニングとリソースが提供された場合にのみ、知的障害者にとって効果的な支援となる（例えば、教室で）。[138]

この種の技術は失読症の患者には役立つ可能性があるが、他の障害に対する潜在的な効果については依然として疑問が残る。ソフトウェアによる誤読は、聞き間違いの修正に時間がかかるため、その効果を阻害する。[139]

その他のドメイン

ASRは現在、電話分野では一般的になっています。電話システムでは、ASRは主にIVRシステムと統合してコンタクトセンターで使用されています。

コンピューターゲームやシミュレーションで普及が進んでいます。

一般的なパーソナル コンピューティングではワード プロセッサとの統合が高度に行われているにもかかわらず、文書作成の分野では、ASR の使用は期待されたほど増加していません。

モバイルプロセッサの速度向上により、スマートフォンでの音声認識が実用化されました。音声は主にユーザーインターフェースの一部として使用され、定義済みまたはカスタムの音声コマンドを作成するために使用されます。

パフォーマンス

音声認識システムの性能は、通常、精度と速度で評価されます。[144] [145]精度は通常、単語誤り率（WER）で評価され、速度は経過時間で測定されます。精度の他の指標としては、単一単語誤り率（SWER）やコマンド成功率（CSR）などがあります。

音声認識は、音声の多くの特性によって複雑化します。発声は、アクセント、発音、明瞭度、粗さ、方言、鼻音、ピッチ、音量、速度など、様々な要素から構成されます。音声は、背景雑音、エコー、録音特性などによって歪むことがあります。音声認識の精度は、以下の要因によって変動する可能性があります。[146] [147]

  • 語彙の多さと混同しやすさ
  • 話者の依存性と独立性
  • 孤立した、断続的な、または連続した発話
  • タスクと言語の制約
  • 読むことと自発的なスピーチ
  • 悪条件

正確さ

音声認識の精度は、次の要因によって異なる場合があります。

  • 語彙のサイズが大きくなるにつれてエラー率が上昇します。
たとえば、「0」から「9」までの 10 桁の数字は基本的に完璧に認識できますが、語彙のサイズが 200、5000、または 100000 の場合、エラー率はそれぞれ 3%、7%、または 45% になる可能性があります。
  • 紛らわしい文字が含まれていると語彙を認識するのが難しくなります。
例えば、英語のアルファベット26文字は紛らわしい単語であるため、区別が難しい（最も悪名高いのはEセット：B、C、D、E、G、P、T、V、Z（地域によっては「Z」が「zed」ではなく「zee」と発音される場合））。この語彙では8％の誤り率が良好と考えられている。[148]
  • 話者の依存性と独立性：
    • 話者依存型システムは、単一の話者による使用を目的としています。
    • 話者非依存システムは、あらゆる話者による使用を意図している（より困難）。[149]
  • 孤立した、断続的な、または連続した発話
    • 孤立した音声では単語が使用されるため、認識しやすくなります。
    • 断続的な発話では、沈黙によって区切られた完全な文が使用されます。沈黙は、単独の発話と同様に認識されやすくなります。
    • 連続音声では自然に話された文章が使用されるため、認識するのが難しくなります。
  • タスクと言語の制約は認識に影響を与える可能性がある
    • 要求元のアプリケーションは、「リンゴは赤い」という仮説を却下する場合があります。
    • 制約は意味的なものである可能性があります。「リンゴは怒っている」は拒否されます。
    • 統語論的; 「Red is apple the.」を拒否します。
    • 制約は多くの場合、文法によって表現されます。
  • 読むことと自発的なスピーチ
    • 人が読むときは通常、事前に準備された文脈の中で読みます。
    • 人が自発的に話す場合、認識では「えー」や「あのー」などの流暢でない話し方、言い間違い、不完全な文、どもり、咳、笑い、そして限られた語彙に対処する必要があります。
  • 悪条件
    • 環境騒音（例：車内や工場内）。
    • 音響の歪み（例：エコー、室内音響）

音声認識は、複数レベルのパターン認識タスクです。

  • 音響信号は、音素、単語、句、文などの単位の階層に構造化されます。
  • 各レベルでは、既知の単語の発音や法的単語のシーケンスなどの追加の制約が提供され、これにより、下位レベルでのエラーや不確実性を補うことができます。

この制約の階層化により、精度が向上します。すべての下位レベルで確率的に決定を組み合わせ、最上位レベルでのみ最終的な決定を行うことで、音声認識は複数のフェーズに分割されます。計算論的には、音声パターンを人間にとって意味を表すカテゴリに認識または分類する問題です。すべての音響信号は、より小さなサブ信号に分解できます。より複雑な音声信号が分割されると、異なるレベルが作成されます。最上位レベルでは、下位レベルのより単純な音から構成される複雑な音などです。最下位レベルでは、単純でより確率的なルールが適用されます。これらの音は上位レベルでより複雑な音にまとめられ、より決定論的な新しいルールセットによって、その複雑な音が何を表すかを予測します。決定論的なルールの上位レベルでは、複雑な表現の意味を解釈する必要があります。音声認識に関する知識を広げるためには、ニューラルネットワークを考慮する必要があります。ニューラルネットワークのアプローチは、以下の手順に従います。

  • 音声をデジタル化する – 電話の音声では1秒あたり8000サンプルが記録される。[150]
  • 音声のスペクトル領域の特徴を計算します（フーリエ変換を使用）。10 ミリ秒ごとに計算され、10 ミリ秒のセクションはフレームと呼ばれます。

音は空気（または他の媒体）の振動によって発生します。音は、振幅（強さ）と周波数（1秒あたりの振動数）という2つの尺度を持つ波を生成します。[151]精度はWERを用いて計算できます。WERは、認識された単語と参照された単語を動的文字列アライメントを用いてアライメントすることで算出されます。WERの計算中に問題が発生するのは、認識された単語と参照された単語のシーケンス長が異なるためです。

単語誤り率 (WER) を計算する式は次のとおりです。

ここで、 sは置換数、dは削除数、iは挿入数、nは単語参照数である。[152]

計算には単語認識率（WRR）が使用されます。式は次のとおりです。

ここで、hは正しく認識された単語の数です。

安全

音声認識は、攻撃、盗難、あるいは誤操作の手段となる可能性があります。例えば、音声や動画の放送で「アレクサ」などの起動ワードを発声すると、家庭やオフィスの機器が不適切な入力を聞き取ったり、望ましくない動作をしたりする可能性があります。[153]音声制御機器は、権限のないユーザーによってアクセスされる可能性があります。攻撃者は、カレンダー、アドレス帳の内容、プライベートメッセージ、文書などの個人情報にアクセスできる可能性があります。また、ユーザーになりすましてメッセージを送信したり、オンラインで購入したりすることも可能です。

人工音を用いた攻撃は2つ実証されている。1つは超音波を送信し、人間に気づかれずにコマンドを送信しようとするものである。[154]もう1つは、他の音声や音楽に小さな、聞き取れない歪みを加えるものである。これは、特定の音声認識システムを混乱させ、音楽を音声として認識させるか、あるいは人間にはあるコマンドのように聞こえるものを、システムには別のコマンドのように聞こえるようにするために特別に細工されている。[155]

詳細情報

会議

定期的に開催される会議には、 SpeechTEK、SpeechTEK Europe、ICASSP 、Interspeech/Eurospeech、IEEE ASRUなどがあります。ACL 、NAACL、EMNLP、HLTなどの自然言語処理分野の会議では、音声処理に関する論文が発表されます。

ジャーナル

主なジャーナルは、IEEE/ACM Transactions on Audio, Speech and Language Processingです。

本

  • ローレンス・ラビナー著『音声認識の基礎』（1993年）
  • 音声認識のための統計的手法（フレデリック・ジェリネック著）
  • Xuedong Huang他著「音声言語処理」（2001年）
  • マンフレッド・R・シュローダー著『コンピュータスピーチ』（2004年）
  • 音声処理: 動的かつ最適化指向のアプローチ、 Li Deng および Doug O'Shaughnessey (2003)。
  • ジュラフスキーとマーティン著『音声言語処理』 （2008年）
  • 話者認識の基礎– 理論と実践に関する最新の詳細情報を提供する詳細な情報源。[156]
  • 機械の中の声。音声を理解するコンピュータの構築（ロベルト・ピエラチーニ著、2012年） - 序文
  • 自動音声認識：ディープラーニングアプローチマイクロソフトの研究者D. YuとL. Deng（2014）による - ディープラーニング手法の数学的指向の扱いは[87]
  • L. DengとD. Yuによる「ディープラーニング：方法と応用」（2014年） – DNNベースの音声認識の方法論に焦点を当てた概要[83]

プロジェクト

2007 年時点で進行中の最大の音声認識関連プロジェクトは、音声認識と翻訳の両方のコンポーネントを含む GALE プロジェクトでした。

ソフトウェア

  • Sphinxツールキットは、音声認識を試すための出発点の 1 つです。
  • HTKブックと付属ツールキット
  • カルディツールキットを使用することができる。[157]
  • Common Voice [158] [159] （ TensorFlowを使用）[160]
  • Coqui STT [161]（Common Voiceから派生、同じオープンソースライセンスを使用）[162] [163]
  • GboardはすべてのAndroidアプリケーションで音声認識をサポートしています。[164]
  • 音声認識はMicrosoft Windowsオペレーティングシステムで利用できます。[165]
  • 商用クラウドベースの音声認識 API は広く利用可能です。

参照

リスト

参考文献

  1. ^ 「音声認識とは？ | IBM」www.ibm.com 2021年9月28日2025年8月28日閲覧。
  2. ^ P. Nguyen (2010). 「話者特性の自動分類」.国際通信エレクトロニクス会議 2010. pp.  147– 152. doi :10.1109/ICCE.2010.5670700. ISBN 978-1-4244-7055-6. S2CID  13482115。
  3. ^ 「イギリス英語における音声認識の定義」Macmillan Publishers Limited. 2011年9月16日時点のオリジナルよりアーカイブ。2012年2月21日閲覧。
  4. ^ 「音声認識の定義」WebFinance, Inc. 2011年12月3日時点のオリジナルよりアーカイブ。2012年2月21日閲覧。
  5. ^ “The Mailbag LG #114”. Linuxgazette.net. 2013年2月19日時点のオリジナルよりアーカイブ。2013年6月15日閲覧。
  6. ^ Sarangi, Susanta; Sahidullah, Md; Saha, Goutam (2020年9月). 「自動話者照合のためのデータ駆動型フィルタバンクの最適化」. Digital Signal Processing . 104 102795. arXiv : 2007.10729 . Bibcode :2020DSP...10402795S. doi :10.1016/j.dsp.2020.102795. S2CID  220665533.
  7. ^ Reynolds, Douglas; Rose, Richard (1995年1月). 「ガウス混合話者モデルを用いた堅牢なテキスト非依存話者識別」(PDF) . IEEE Transactions on Speech and Audio Processing . 3 (1): 72– 83. Bibcode :1995ITSAP...3...72R. doi :10.1109/89.365379. ISSN  1063-6676. OCLC  26108901. S2CID 7319345. 2014年3月8日時点のオリジナルより アーカイブ(PDF) . 2014年2月21日閲覧.
  8. ^ 「話者識別（WhisperID）」。Microsoft Research。Microsoft。2014年2月25日時点のオリジナルよりアーカイブ。2014年2月21日閲覧。誰かに話しかけると、相手はあなたの言葉だけでなく、あなたが誰なのかも認識します。WhisperIDは、コンピューターにも同じように、あなたの話し方からあなたが誰なのかを判別することを可能にします。
  9. ^ アルハルビ、サディーン;アルラズガン、ムナ;アラシド、アラウド。アルノマシ、トルキアイ;アルモジェル、ラガド。アルハルビ、リマ。アルハルビ、サジャ;アルトゥルキ、サハル州。アルシェリ、ファティマ。マハ、アルモジル（2021）。 「自動音声認識: 体系的な文献レビュー」。IEEE アクセス。9 : 131858– 131876。Bibcode :2021IEEEA...9m1858A。土井：10.1109/ACCESS.2021.3112535。ISSN  2169-3536。
  10. ^ Li, Suo; You, Jinchi; Zhang, Xin (2022年8月). 「音声認識の概要と分析」. 2022 IEEE International Conference on Advances in Electrical Engineering and Computer Applications (AEECA) . pp.  391– 395. doi :10.1109/AEECA55500.2022.9919050. ISBN 978-1-6654-8090-1。
  11. ^ “Obituaries: Stephen Balashek”. The Star-Ledger . 2012年7月22日. 2019年4月4日時点のオリジナルよりアーカイブ。 2024年9月9日閲覧。
  12. ^ “IBM-Shoebox-front.jpg”. androidauthority.net. 2018年8月9日時点のオリジナルよりアーカイブ。2019年4月4日閲覧。
  13. ^ Juang, BH; Rabiner, Lawrence R. 「自動音声認識 - 技術開発の簡潔な歴史」(PDF) . p. 6. 2014年8月17日時点のオリジナルよりアーカイブ(PDF) . 2015年1月17日閲覧。
  14. ^ GUNNAR, FANT. 「音声生成の音響理論」（PDF） .ストックホルム王立工科大学. 2025年10月20日閲覧。
  15. ^ ab Melanie Pinola (2011年11月2日). 「音声認識の数十年にわたる歴史：Siriの誕生秘話」PC World . 2018年11月3日時点のオリジナルよりアーカイブ。 2018年10月22日閲覧。
  16. ^ Gray, Robert M. (2010). 「パケットネットワークにおけるリアルタイムデジタル音声の歴史：線形予測符号化とインターネットプロトコルの第2部」(PDF) . Found. Trends Signal Process . 3 (4): 203– 303. doi : 10.1561/2000000036 . ISSN 1932-8346. 2022年10月9日時点のオリジナルより アーカイブ(PDF) . 2024年9月9日閲覧。
  17. ^ John R. Pierce (1969). 「音声認識の行く末は？」アメリカ音響学会誌. 46 (48): 1049– 1051. Bibcode :1969ASAJ...46.1049P. doi :10.1121/1.1911801.
  18. ^ Raj, Reddy (1937年6月17日). 「ACMチューリング賞」. Association for Computing Machinery . 2025年10月20日閲覧。
  19. ^ TK, Vintsyuk (1968年1月1日). 「動的計画法による音声識別」 .サイバネティクス. 4 : 52–57 . doi :10.1007/BF01074755 . 2025年10月20日閲覧。
  20. ^ ベネスティ、ジェイコブ、ソンディ、MM、ホアン、イテン (2008).シュプリンガー音声処理ハンドブック. シュプリンガー・サイエンス＆ビジネス・メディア. ISBN 978-3-540-49125-5。
  21. ^ ジョン・マコール. 「ISCAメダリスト：音声言語処理におけるリーダーシップと広範な貢献」. 2018年1月24日時点のオリジナルよりアーカイブ。 2018年1月23日閲覧。
  22. ^ Blechman, RO; Blechman, Nicholas (2008年6月23日). "Hello, Hal". The New Yorker . 2015年1月20日時点のオリジナルよりアーカイブ。 2015年1月17日閲覧。
  23. ^ Klatt, Dennis H. (1977). 「ARPA音声理解プロジェクトのレビュー」.アメリカ音響学会誌. 62 (6): 1345– 1366. Bibcode :1977ASAJ...62.1345K. doi :10.1121/1.381666.
  24. ^ Rabiner (1984). 「音響・音声・信号処理学会 歴史的展望」(PDF) . 2017年8月9日時点のオリジナルよりアーカイブ(PDF) . 2018年1月23日閲覧。
  25. ^ 「First-Hand:The Hidden Markov Model – Engineering and Technology History Wiki」. ethw.org . 2015年1月12日. 2018年4月3日時点のオリジナルよりアーカイブ。 2018年5月1日閲覧。
  26. ^ ab “James Baker interview”. 2017年8月28日時点のオリジナルよりアーカイブ。2017年2月9日閲覧。
  27. ^ “Pioneering Speech Recognition”. 2012年3月7日. 2015年2月19日時点のオリジナルよりアーカイブ。 2015年1月18日閲覧。
  28. ^ Huang, Xuedong; Baker, James; Reddy, Raj (2014年1月). 「音声認識の歴史的展望」Communications of the ACM . 57 (1): 94– 103. doi :10.1145/2500887. ISSN  0001-0782. S2CID 6175701. 2023年12月8日時点のオリジナル よりアーカイブ。
  29. ^ Juang, BH; Rabiner, Lawrence R. 「自動音声認識 - 技術開発の簡潔な歴史」(PDF) (レポート). p. 10. 2014年8月17日時点のオリジナルよりアーカイブ(PDF) 。 2015年1月17日閲覧。
  30. ^ Li, Xiaochang (2023年7月1日). 「「より多くのデータほど素晴らしいデータはない」：自動音声認識とアルゴリズム文化の形成」 . Osiris . 38 : 165–182 . doi :10.1086/725132. ISSN  0369-7827. S2CID  259502346.
  31. ^ 「音声認識の歴史」Dragon Medical Transcription . 2015年8月13日時点のオリジナルよりアーカイブ。 2015年1月17日閲覧。
  32. ^ ビリ、ロベルト;カナベシオ、フランコ。シアメラ、アルベルト。ルチアーノ、ネッビア（1995年11月1日）。「対話型音声テクノロジーの活用: CSELT エクスペリエンス」。音声コミュニケーション。17 (3): 263–271。土井:10.1016/0167-6393(95)00030-R。
  33. ^ ab Xuedong Huang、James Baker、Raj Reddy (2014年1月). 「音声認識の歴史的展望」 Communications of the ACM. 2015年1月20日時点のオリジナルよりアーカイブ。2015年1月20日閲覧。
  34. ^ ケビン・マッキーン (1980年4月8日). 「コールが話すとき、コンピューターは聞く」. サラソタ・ジャーナル. AP通信. 2015年11月23日閲覧。
  35. ^ “ACT/Apricot - Apricot history”. actapricot.org . 2016年12月21日時点のオリジナルよりアーカイブ。2016年2月2日閲覧。
  36. ^ Melanie Pinola (2011年11月2日). 「音声認識の数十年にわたる歴史：Siri誕生の経緯」. PC World . 2017年1月13日時点のオリジナルよりアーカイブ。 2017年7月28日閲覧。
  37. ^ “レイ・カーツワイルの伝記”. KurzweilAINetwork. 2014年2月5日時点のオリジナルよりアーカイブ。2014年9月25日閲覧。
  38. ^ Juang, BH; Rabiner, Lawrence. 自動音声認識 - 技術開発の簡潔な歴史(PDF) (レポート). 2017年8月9日時点のオリジナルよりアーカイブ(PDF) 。 2017年7月28日閲覧。
  39. ^ 「Nuance幹部がiPhone 4S、Siri、そして音声認識の未来について語る」Tech.pinions. 2011年10月10日. 2011年11月19日時点のオリジナルよりアーカイブ。2011年11月23日閲覧。
  40. ^ “Switchboard-1 Release 2”. 2017年7月11日時点のオリジナルよりアーカイブ。2017年7月26日閲覧。
  41. ^ Jason Kincaid (2011年2月13日). 「音声の力：Googleの音声技術責任者との対談」. Tech Crunch . 2015年7月21日時点のオリジナルよりアーカイブ。 2015年7月21日閲覧。
  42. ^ Froomkin, Dan (2015年5月5日). 「THE COMPUTERS ARE LISTENING」. The Intercept . 2015年6月27日時点のオリジナルよりアーカイブ。2015年6月20日閲覧。
  43. ^ Herve Bourlard とNelson Morgan、「コネクショニスト音声認識: ハイブリッドアプローチ」、Kluwer International Series in Engineering and Computer Science、v. 247、ボストン: Kluwer Academic Publishers、1994 年。
  44. ^ ab Sepp Hochreiter ; J. Schmidhuber (1997). 「長期短期記憶」.ニューラル・コンピュテーション. 9 (8): 1735– 1780. doi :10.1162/neco.1997.9.8.1735. PMID  9377276. S2CID  1915014.
  45. ^ Schmidhuber, Jürgen (2015). 「ニューラルネットワークにおけるディープラーニング：概要」. Neural Networks . 61 : 85–117 . arXiv : 1404.7828 . doi :10.1016/j.neunet.2014.09.003. PMID  25462637. S2CID  11715509.
  46. ^ Alex Graves、Santiago Fernandez、Faustino Gomez、Jürgen Schmidhuber (2006). コネクショニスト時間分類：リカレントニューラルネットによる非セグメント化シーケンスデータのラベル付け Archived 9 September 2024 at the Wayback Machine . Proceedings of ICML'06, pp. 369–376.
  47. ^ サンティアゴ・フェルナンデス、アレックス・グレイブス、ユルゲン・シュミットフーバー (2007). 識別的キーワードスポッティングへのリカレントニューラルネットワークの応用[ permanent dead link ] . Proceedings of ICANN (2), pp. 220–229.
  48. ^ ab Haşim Sak、Andrew Senior、Kanishka Rao、Françoise Beaufays、Johan Schalkwyk (2015年9月)：「Google voice search: faster and more accurate」。2016年3月9日時点のオリジナルよりアーカイブ。 2016年4月5日閲覧。。"
  49. ^ ドソヴィツキー、アレクセイ;バイエル、ルーカス。コレスニコフ、アレクサンダー。ヴァイセンボルン、ディルク。ザイ、シャオファ。ウンターティナー、トーマス。デガニ、モスタファ。ミンデラー、マティアス。ハイゴールド、ゲオルク。ジェリー、シルヴァン。ウシュコレイト、ヤコブ。ニール・ホールズビー（2021年6月3日）。 「画像は 16x16 ワードの価値があります: 大規模な画像認識のためのトランスフォーマー」。arXiv : 2010.11929 [cs.CV]。
  50. ^ 呉、海平;シャオ・ビン。コデラ、ノエル。劉孟晨。ダイ、西陽。ユアン、ルー。張、雷（2021年3月29日）。 「CvT: ビジョン トランスフォーマーへの畳み込みの導入」。arXiv : 2103.15808 [cs.CV]。
  51. ^ ヴァスワニ、アシシュ;シャジーア、ノーム。パルマー、ニキ。ウシュコレイト、ヤコブ。ジョーンズ、リオン。ゴメス、エイダン N;カイザー、ウカシュ。ポロスキン、イリア (2017)。 「必要なのは注意力だけです」。神経情報処理システムの進歩。３０．カランアソシエイツ。 2024 年 9 月 9 日のオリジナルからアーカイブ。2024 年9 月 9 日に取得。
  52. ^ Devlin, Jacob; Chang, Ming-Wei; Lee, Kenton; Toutanova, Kristina (2019年5月24日). 「BERT: 言語理解のための深層双方向変換の事前学習」. arXiv : 1810.04805 [cs.CL].
  53. ^ ab Gong, Yuan; Chung, Yu-An; Glass, James (2021年7月8日). 「AST: Audio Spectrogram Transformer」. arXiv : 2104.01778 [cs.SD].
  54. ^ ab リステア、ニコラエ＝カタリン;イヨネスク、ラドゥ・チューダー。カーン、ファハド・シャバズ（2022年6月20日）。 「SepTr: オーディオ スペクトログラム処理用の分離可能なトランス」。arXiv : 2203.09581 [cs.CV]。
  55. ^ ab Lohrenz, Timo; Li, Zhengyang; Fingscheidt, Tim (2021年7月14日). 「トランスフォーマーベースのエンドツーエンド自動音声認識のためのマルチエンコーダ学習とストリーム融合」arXiv : 2104.00120 [eess.AS].
  56. ^ “Li Deng”. Li Dengサイト. 2024年9月9日時点のオリジナルよりアーカイブ。 2024年9月9日閲覧。
  57. ^ NIPS ワークショップ: 音声認識および関連アプリケーションのためのディープラーニング、ウィスラー、ブリティッシュコロンビア州、カナダ、2009 年 12 月 (主催者: Li Deng、Geoff Hinton、D. Yu)。
  58. ^ abc Hinton, Geoffrey; Deng, Li; Yu, Dong; Dahl, George; Mohamed, Abdel-Rahman; Jaitly, Navdeep; Senior, Andrew; Vanhoucke, Vincent; Nguyen, Patrick; Sainath, Tara ; Kingsbury, Brian (2012). 「音声認識における音響モデリングのためのディープニューラルネットワーク：4つの研究グループの共通見解」IEEE Signal Processing Magazine . 29 (6): 82– 97. Bibcode :2012ISPM...29...82H. doi :10.1109/MSP.2012.2205597. S2CID  206485943.
  59. ^ ab Deng, L.; Hinton, G.; Kingsbury, B. (2013). 「音声認識および関連アプリケーションのための新しいタイプのディープニューラルネットワーク学習：概要」. 2013 IEEE国際音響・音声・信号処理会議：音声認識および関連アプリケーションのための新しいタイプのディープニューラルネットワーク学習：概要. p. 8599. doi :10.1109/ICASSP.2013.6639344. ISBN 978-1-4799-0356-6. S2CID  13953660。
  60. ^ ab Markoff, John (2012年11月23日). 「科学者たちはディープラーニングプログラムに将来性を見出す」. New York Times . 2012年11月30日時点のオリジナルよりアーカイブ。 2015年1月20日閲覧。
  61. ^ Morgan, Bourlard, Renals, Cohen, Franco (1993)「連続音声認識のためのハイブリッドニューラルネットワーク/隠れマルコフモデルシステム。ICASSP/IJPRAI」
  62. ^ T. Robinson (1992). 「リアルタイム再帰エラー伝播ネットワーク単語認識システム」. [議事録] ICASSP-92: 1992 IEEE 国際音響・音声・信号処理会議第1巻 pp. 617–620. doi :10.1109/ICASSP.1992.225833. ISBN 0-7803-0532-9. S2CID  62446313。
  63. ^ Waibel、Hanazawa、Hinton、Shikano、Lang. (1989)「時間遅延ニューラルネットワークを使用した音素認識」Wayback Machineに2021年2月25日アーカイブ。IEEE Transactions on Acoustics、Speech、およびSignal Processing。
  64. ^ Baker, J.; Li Deng; Glass, J.; Khudanpur, S.; Chin-Hui Lee ; Morgan, N.; O'Shaughnessy, D. (2009). 「音声認識・理解における発展と方向性、パート1」. IEEE Signal Processing Magazine . 26 (3): 75– 80. Bibcode :2009ISPM...26...75B. doi :10.1109/MSP.2009.932166. hdl : 1721.1/51891 . S2CID  357467.
  65. ^ Sepp Hochreiter (1991)、Untersuchungen zu dynamischen neuronalen Netzen Archived 6 March 2015 at the Wayback Machine、卒業論文。インスティチュート f.工科大学インフォマティックミュンヘン。アドバイザー: J. シュミットフーバー。
  66. ^ Bengio, Y. (1991). 人工ニューラルネットワークと音声／シーケンス認識への応用（博士論文）. マギル大学.
  67. ^ Deng, L.; Hassanein, K.; Elmasry, M. (1994). 「ニューラル予測モデルの相関構造の解析と音声認識への応用」.ニューラルネットワーク. 7 (2): 331– 339. doi :10.1016/0893-6080(94)90027-2.
  68. ^ 基調講演: ディープニューラルネットワークの最近の発展。ICASSP、2013 (Geoff Hinton 氏)。
  69. ^ ab 基調講演：「ディープラーニングの成果と課題：音声分析と認識から言語とマルチモーダル処理まで」、Interspeech、2014年9月（Li Deng著）。
  70. ^ 「音声認識ソフトウェアの改良が進む」TechRepublic.com 2002年8月27日。2018年10月23日時点のオリジナルよりアーカイブ。2018年10月22日閲覧。マナーズ氏によると、IBMは音声認識技術の進化に取り組んできたという…あるいは騒がしい展示会場で。
  71. ^ 「音声認識で旅行予約が楽になる：ビジネストラベルニュース」BusinessTravelNews.com 1997年3月3日。2024年9月9日時点のオリジナルよりアーカイブ。2024年9月9日閲覧。音声認識ソフトウェアの最も初期の用途はディクテーションでした。4か月前、IBMは「継続的なディクテーション製品」を発表しました。これは1994年の全米ビジネストラベル協会（National Business Travel Association）の展示会でデビューしました。
  72. ^ Ellis Booker (1994年3月14日). 「音声認識が主流に」. Computerworld . p. 45.ほんの数年前までは、音声認識は…に限られていました。
  73. ^ 「Microsoftの研究者が会話型音声認識の新たなマイルストーンを達成」Microsoft . 2017年8月21日. 2024年9月9日時点のオリジナルよりアーカイブ。 2024年9月9日閲覧。
  74. ^ Waibel, A.; Hanazawa, T.; Hinton, G.; Shikano, K.; Lang, KJ (1989). 「時間遅延ニューラルネットワークを用いた音素認識」. IEEE Transactions on Acoustics, Speech, and Signal Processing . 37 (3): 328– 339. Bibcode :1989ITASS..37..328W. doi :10.1109/29.21701. hdl : 10338.dmlcz/135496 . S2CID  9563026.
  75. ^ Bird, Jordan J.; Wanner, Elizabeth; Ekárt, Anikó; Faria, Diego R. (2020). 「多目的進化アルゴリズムによる音素認識の最適化」(PDF) . Expert Systems with Applications . 153 113402. Elsevier BV. doi :10.1016/j.eswa.2020.113402. ISSN  0957-4174. S2CID 216472225. 2024年9月9日時点のオリジナルより アーカイブ(PDF) . 2024年9月9日閲覧。
  76. ^ Wu, J.; Chan, C. (1993). 「音声ダイナミクスのための相互相関係数を用いたニューラルネットワークモデルによる孤立単語認識」. IEEE Transactions on Pattern Analysis and Machine Intelligence . 15 (11): 1174– 1185. Bibcode :1993ITPAM..15.1174J. doi :10.1109/34.244678.
  77. ^ SA Zahorian、AM Zimmer、F. Meng、(2002)「聴覚障害者の音声訓練のためのコンピュータベースの視覚フィードバックのための母音分類」、ICSLP 2002
  78. ^ Hu, Hongbing; Zahorian, Stephen A. (2010). 「HMM音声認識のための次元削減法」(PDF) . ICASSP 2010. 2012年7月6日時点のオリジナルよりアーカイブ(PDF) .
  79. ^ Fernandez, Santiago; Graves, Alex; Schmidhuber, Jürgen (2007). 「階層的リカレントニューラルネットワークを用いた構造化ドメインにおけるシーケンスラベリング」(PDF) . Proceedings of IJCAI . 2017年8月15日時点のオリジナルよりアーカイブ(PDF) .
  80. ^ グレイブス, アレックス; モハメド, アブデル・ラーマン; ヒントン, ジェフリー (2013). 「ディープ・リカレント・ニューラルネットワークによる音声認識」. arXiv : 1303.5778 [cs.NE].ICASSP 2013。
  81. ^ Waibel, Alex (1989). 「音声認識のための時間遅延ニューラルネットワークのモジュール構築」(PDF) . Neural Computation . 1 (1): 39– 46. doi :10.1162/neco.1989.1.1.39. S2CID 236321. 2016年6月29日時点のオリジナルより アーカイブ(PDF) .
  82. ^ Maas, Andrew L.; Le, Quoc V.; O'Neil, Tyler M.; Vinyals, Oriol; Nguyen, Patrick; Ng, Andrew Y. (2012). 「ロバストな音声認識におけるノイズ低減のためのリカレントニューラルネットワーク」Interspeech 2012 Proceedings of Interspeech 2012 .
  83. ^ ab Deng, Li; Yu, Dong (2014). 「ディープラーニング：手法と応用」（PDF） .信号処理の基礎と動向. 7 ( 3–4 ): 197– 387. CiteSeerX 10.1.1.691.3679 . doi :10.1561/2000000039. 2014年10月22日時点のオリジナルよりアーカイブ（PDF） . 
  84. ^ Yu, D.; Deng, L.; Dahl, G. (2010). 「実世界音声認識におけるコンテキスト依存型DBN-HMMにおける事前学習と微調整の役割」(PDF) . NIPSワークショップ「ディープラーニングと教師なし特徴学習」 .
  85. ^ Dahl, George E.; Yu, Dong; Deng, Li; Acero, Alex (2012). 「コンテキスト依存型事前学習済みディープニューラルネットワークによる大規模語彙音声認識」. IEEE Transactions on Audio, Speech, and Language Processing . 20 (1): 30– 42. Bibcode :2012ITASL..20...30D. doi :10.1109/TASL.2011.2134090. S2CID  14862572.
  86. ^ Deng L., Li, J., Huang, J., Yao, K., Yu, D., Seide, F. 他「Microsoftにおける音声研究のためのディープラーニングの最近の進歩」Wayback Machineに2024年9月9日アーカイブ。ICASSP、2013年。
  87. ^ ab Yu, D.; Deng, L. (2014). 「自動音声認識：ディープラーニングによるアプローチ」（出版社：Springer）. {{cite journal}}:ジャーナルを引用するには|journal=（ヘルプ）が必要です
  88. ^ Deng, L.; Li, Xiao (2013). 「音声認識のための機械学習パラダイム：概要」（PDF） . IEEE Transactions on Audio, Speech, and Language Processing . 21 (5): 1060– 1089. Bibcode :2013ITASL..21.1060D. doi :10.1109/TASL.2013.2244083. S2CID 16585863. 2024年9月9日時点のオリジナルより アーカイブ（PDF） . 2024年9月9日閲覧。
  89. ^ Schmidhuber, Jürgen (2015). 「ディープラーニング」. Scholarpedia . 10 (11) 32832. Bibcode :2015SchpJ..1032832S. doi : 10.4249/scholarpedia.32832 .
  90. ^ L. Deng、M. Seltzer、D. Yu、A. Acero、A. Mohamed、G. Hinton (2010)「ディープオートエンコーダを用いた音声スペクトログラムのバイナリコーディング」Interspeech.
  91. ^ Tüske, Zoltán; Golik, Pavel; Schlüter, Ralf; Ney, Hermann (2014). 「生の時間信号を用いたディープニューラルネットワークによる音響モデリング（LVCSR用）」(PDF) . Interspeech 2014. 2016年12月21日時点のオリジナルよりアーカイブ(PDF) .
  92. ^ Jurafsky, Daniel (2016).音声言語処理.
  93. ^ Graves, Alex (2014). 「リカレントニューラルネットワークによるエンドツーエンドの音声認識に向けて」(PDF) . ICML . 2017年1月10日時点のオリジナル(PDF)からアーカイブ。 2019年7月22日閲覧。
  94. ^ Amodei, Dario (2016). 「Deep Speech 2：英語と中国語（マンダリン）におけるエンドツーエンドの音声認識」arXiv : 1512.02595 [cs.CL].
  95. ^ “LipNet: リップリーディングはどれくらい簡単だと思いますか？” YouTube 2016年11月4日. 2017年4月27日時点のオリジナルよりアーカイブ。2017年5月5日閲覧。
  96. ^ Assael, Yannis; Shillingford, Brendan; Whiteson, Shimon; de Freitas, Nando (2016年11月5日). 「LipNet: エンドツーエンドの文レベルリップリーディング」. arXiv : 1611.01599 [cs.CV].
  97. ^ ブレンダン・シリングフォード;アサエル、ヤニス。ホフマン、マシュー・W.ペイン、トーマス。ヒューズ、シアン。プラブ、ウツァブ。リャオ、ハンク。サク、ハシム。ラオ、カニシカ（2018年7月13日）。 「大規模視覚音声認識」。arXiv : 1807.05162 [cs.CV]。
  98. ^ Li, Jason; Lavrukhin, Vitaly; Ginsburg, Boris; Leary, Ryan; Kuchaiev, Oleksii; Cohen, Jonathan M.; Nguyen, Huyen; Gadde, Ravi Teja (2019). 「Jasper: エンドツーエンド畳み込みニューラル音響モデル」. Interspeech 2019. pp.  71– 75. arXiv : 1904.03288 . doi :10.21437/Interspeech.2019-1819.
  99. ^ Kriman, Samuel; Beliaev, Stanislav; Ginsburg, Boris; Huang, Jocelyn; Kuchaiev, Oleksii; Lavrukhin, Vitaly; Leary, Ryan; Li, Jason; Zhang, Yang (2019年10月22日) QuartzNet: 1D時間チャネル分離型畳み込みによる深層自動音声認識, arXiv : 1910.10261
  100. ^ メデイロス、エドゥアルド;コラド、レオネル。ラト、ルイス。クアレスマ、パウロ。サルゲイロ、ペドロ（2023年5月）。 「深層学習を使用した低リソースのヨーロッパ系ポルトガル語向けのドメイン適応音声テキスト変換」。未来のインターネット。15 (5): 159.土井: 10.3390/fi15050159。ISSN  1999-5903。
  101. ^ Joshi, Raviraj; Singh, Anupam (2022年5月). Malmasi, Shervin; Rokhlenko, Oleg; Ueffing, Nicola; Guy, Ido; Agichtein, Eugene; Kallumadi, Surya (編). 「合成データを用いたエンドツーエンドASRシステムにおけるドメイン適応のためのシンプルなベースライン」.第5回EコマースとNLPワークショップ (ECNLP 5) の議事録. ダブリン、アイルランド：計算言語学協会: 244– 249. arXiv : 2206.13240 . doi :10.18653/v1/2022.ecnlp-1.28.
  102. ^ Sukhadia, Vrunda N.; Umesh, S. (2023年1月9日). 「十分に訓練されたASRコンフォーマーモデルを用いた低リソースターゲットドメインモデルのドメイン適応」. 2022 IEEE Spoken Language Technology Workshop (SLT) . IEEE. pp.  295– 301. arXiv : 2202.09167 . doi :10.1109/SLT54892.2023.10023233. ISBN 979-8-3503-9690-4。
  103. ^ ペトロヴァ、マグダレーナ（2018年4月10日）「MIT、頭の中の声に音声を与えるヘッドセットを開発」CNBC 2025年9月11日閲覧。
  104. ^ Kapur, Arnav; Kapur, Shreyas; Maes, Pattie (2018). 「AlterEgo: パーソナライズされたウェアラブルサイレントスピーチインターフェース」IUI '18: 第23回国際インテリジェントユーザーインターフェース会議議事録: 43–53 .
  105. ^ Chan, William; Jaitly, Navdeep; Le, Quoc; Vinyals, Oriol (2016). 「Listen, Attend and Spell: A Neural Network for Large Vocabulary Conversational Speech Recognition」(PDF) . ICASSP . 2024年9月9日時点のオリジナルよりアーカイブ(PDF) . 2024年9月9日閲覧。
  106. ^ Bahdanau, Dzmitry (2016). 「エンドツーエンドのアテンションベースの大語彙音声認識」. arXiv : 1508.04395 [cs.CL].
  107. ^ Chorowski, Jan; Jaitly, Navdeep (2016年12月8日). 「シーケンス対シーケンスモデルにおけるより優れたデコードと言語モデル統合に向けて」arXiv : 1612.02695 [cs.NE].
  108. ^ チャン、ウィリアム;張、裕。ル、クオック。ジェイトリー、ナブディープ（2016 年 10 月 10 日）。 「潜在配列分解」。arXiv : 1610.03035 [stat.ML]。
  109. ^ Chung, Joon Son; Senior, Andrew; Vinyals, Oriol; Zisserman, Andrew (2016年11月16日). 「Lip Reading Sentences in the Wild」. 2017 IEEE Con​​ference on Computer Vision and Pattern Recognition (CVPR) . pp.  3444– 3453. arXiv : 1611.05358 . doi :10.1109/CVPR.2017.367. ISBN 978-1-5386-0457-1. S2CID  1662180。
  110. ^ ウェン・フーリャン;ポンテップ、アンキティトラクル。エリザベス、E. シュライバーグ。ラリー、てか。スタンリー、ピーターズ。ジョン、HL・ハンセン（2016年11月4日）。 「会話型車内対話システム」（PDF）。土井：10.1109/MSP.2016.2599201 。2025 年10 月 20 日に取得。
  111. ^ El Kheir, Yassine; et al. (2023年10月21日)、「自動発音評価 - レビュー」、自然言語処理における経験的手法に関する会議、arXiv : 2310.13974、S2CID  264426545
  112. ^ アイザックス、タリア; ハーディング、ルーク (2017年7月). 「発音評価」.言語教育. 50 (3): 347– 366. doi : 10.1017/S0261444817000118 . ISSN  0261-4448. S2CID  209353525.
  113. ^ Loukina, Anastassia; et al. (2015年9月6日)、「非ネイティブ音声の発音精度と明瞭度」(PDF)、INTERSPEECH 2015、ドレスデン、ドイツ：国際音声コミュニケーション協会、pp.  1917– 1921、 2024年9月9日のオリジナルからアーカイブ(PDF) 、 2024年9月9日取得、単語レベルの明瞭度の変動のわずか16%が明らかな発音ミスの存在によって説明できます。
  114. ^ O'Brien, Mary Grantham; et al. (2018年12月31日). 「発音研究と教育におけるテクノロジーの未来への方向性」. Journal of Second Language Pronunciation . 4 (2): 182– 207. doi : 10.1075/jslp.17001.obr . hdl : 2066/199273 . ISSN  2215-1931. S2CID  86440885.発音研究者は主に第二言語学習者の明瞭度と理解度の向上に関心を抱いていますが、どの誤りがこれらの音声特性に影響を与え、どの誤りが影響を与えないかを示す、代表的で信頼性の高いデータ（対応する注釈と判断が付された音声録音）を十分に収集できていません。これらのデータは、第二言語学習者の明瞭度を評価するASRアルゴリズムを訓練するために不可欠です。
  115. ^ Eskenazi, Maxine (1999年1月). 「外国語の発音指導における自動音声処理の利用：問題点とプロトタイプ」. Language Learning & Technology . 2 (2): 62– 76. doi : 10.64152/10125/25043 . 2024年9月9日時点のオリジナルよりアーカイブ。 2023年2月11日閲覧。
  116. ^ Tholfsen, Mike (2023年2月9日). 「Immersive ReaderのReading CoachとMicrosoft TeamsのReading Progressに新機能が登場」. Techcommunity Education Blog . Microsoft. 2024年9月9日時点のオリジナルよりアーカイブ。 2023年2月12日閲覧。
  117. ^ Banerji, Olina (2023年3月7日). 「学校では音声技術を使って読書を教えている。それは役立っているのか？」EdSurge News . 2024年9月9日時点のオリジナルよりアーカイブ。 2023年3月7日閲覧。
  118. ^ ヘア、アダム他 (2018年6月19日). 「アプラキシアワールド：音声障害児のための言語療法ゲーム」. 第17回ACMインタラクションデザインと子ども会議議事録(PDF) . pp.  119– 131. doi :10.1145/3202185.3202733. ISBN 978-1-4503-5152-2. S2CID  13790002. 2024年9月9日時点のオリジナルよりアーカイブ（PDF） 。 2024年9月9日閲覧。
  119. ^ 「コンピューターがノーと言う：アイルランドの退役軍人、オーストラリア滞在に必要な英語口頭試験に不合格」。ガーディアン紙。オーストラリア通信社。2017年8月8日。2024年9月9日時点のオリジナルよりアーカイブ。 2023年2月12日閲覧。
  120. ^ Ferrier, Tracey (2017年8月9日). 「オーストラリアの元ニュースキャスター、英語学位を持つがロボットの英語テストに不合格」.シドニー・モーニング・ヘラルド. 2024年9月9日時点のオリジナルよりアーカイブ。 2023年2月12日閲覧。
  121. ^ メイン、エド、ワトソン、リチャード (2022年2月9日). 「何千人もの人生を台無しにした英語テスト」BBCニュース. 2024年9月9日時点のオリジナルよりアーカイブ。 2023年2月12日閲覧。
  122. ^ Joyce, Katy Spratte (2023年1月24日). 「2通りの発音ができる13の単語」. Reader's Digest. 2024年9月9日時点のオリジナルよりアーカイブ。 2023年2月23日閲覧。
  123. ^ 例：CMUDICT、「CMU Pronounced Dictionary」。www.speech.cs.cmu.edu。2010年8月15日時点のオリジナルよりアーカイブ。 2023年2月15日閲覧。「four」を「F AO R」で表し、「caught」のように母音 AO を使用するのと、「row」を「R OW」で表し「oat」のように母音 OW を使用するのとを比較します。
  124. ^ Tu, Zehai; Ma, Ning; Barker, Jon (2022). 「非侵入的な音声明瞭度予測のための自動音声認識における教師なし不確実性測定」(PDF) . Proc. Interspeech 2022 . INTERSPEECH 2022. ISCA. pp.  3493– 3497. doi :10.21437/Interspeech.2022-10408. 2024年9月9日時点のオリジナルよりアーカイブ(PDF) . 2023年12月17日閲覧。
  125. ^ 言語学習、教授、評価のためのヨーロッパ共通参照枠：新しい記述子を収録したコンパニオンブック。欧州評議会教育局教育政策部言語政策プログラム。2018年2月。136頁。OCLC 1090351600。  2024年9月9日時点のオリジナルよりアーカイブ。 2024年9月9日閲覧。
  126. ^ マリア、グラツィア・マッジョ;ダニエラ、デ・バルトロ。ロッコ、サルヴァトーレ・カラブロ。アイリーン、シアンカレリ。アントニオ、チェラサ。パオロ、トニン。フルビア、ディ・ユリオ。ステファノ、パオルッチ。ガブリエラ、アントヌッチ。ジョバンニ、モローネ。イオサ、マルコ（2023年9月29日）。 「神経疾患患者におけるコンピュータ支援認知リハビリテーション: 最先端と将来の展望」。神経学のフロンティア。14 1255319.土井: 10.3389/fneur.2023.1255319。PMC 10580980。PMID  37854065。 
  127. ^ Englund, Christine (2004). JAS 39 Gripen航空機における音声認識：異なるG負荷における音声への適応(PDF) (修士論文).ストックホルム王立工科大学. 2008年10月2日時点のオリジナルよりアーカイブ(PDF) 。
  128. ^ “コックピット”.ユーロファイター・タイフーン. 2017年3月1日時点のオリジナルよりアーカイブ。
  129. ^ 「ユーロファイター・タイフーン – 世界最先端の戦闘機」www.eurofighter.com。2013年5月11日時点のオリジナルよりアーカイブ。2018年5月1日閲覧。
  130. ^ Schutte, John (2007年10月15日). 「研究者らがF-35パイロット機内音声システムを微調整」アメリカ空軍. 2007年10月20日時点のオリジナルよりアーカイブ。
  131. ^ John, Schutte (2007年10月17日). 「研究者らがF-35パイロット・航空機音声システムを微調整」. AIR FORCE MATERIEL COMMAND . 2025年10月20日閲覧。
  132. ^ Trenten, Walters (2022年6月27日). 「ATCが寮にシミュレーションを導入」. AIR FORCE LEARNING PROFESSIONALS . 2025年10月20日閲覧。
  133. ^ 「教室におけるコミュニケーション障壁の克服」MassMATCH、2010年3月18日。2013年7月25日時点のオリジナルよりアーカイブ。 2013年6月15日閲覧。
  134. ^ ab 「学習のための音声認識」国立技術革新センター（National Center for Technology Innovation）2010年。2014年4月13日時点のオリジナルよりアーカイブ。2014年3月26日閲覧。
  135. ^ “障害者のための音声認識”. 2008年4月4日時点のオリジナルよりアーカイブ。
  136. ^ フレンズ・インターナショナル・サポート・グループ
  137. ^ Garrett, Jennifer Tumlin; et al. (2011). 「音声認識ソフトウェアを用いた身体障害者のライティング能力向上」. Journal of Special Education Technology . 26 (1): 25– 41. doi :10.1177/016264341102600104. S2CID  142730664. 2024年9月9日時点のオリジナルよりアーカイブ。 2024年9月9日閲覧。
  138. ^ Forgrave, Karen E.「支援技術：障害のある学生のエンパワーメント」クリアリングハウス75.3（2002年）：122–6. ウェブ。
  139. ^ Tang, KW; Kamoua, Ridha; Sutan, Victor (2004). 「障害教育のための音声認識技術」. Journal of Educational Technology Systems . 33 (2): 173– 84. CiteSeerX 10.1.1.631.3736 . doi :10.2190/K6K8-78K2-59Y7-R9R2. S2CID  143159997. 
  140. ^ 「プロジェクト：惑星マイクロフォン」. 惑星協会. 2012年1月27日時点のオリジナルよりアーカイブ。
  141. ^ Caridakis, George; Castellano, Ginevra; Kessous, Loic; Raouzaiou, Amaryllis; Malatesta, Lori; Asteriadis, Stelios; Karpouzis, Kostas (2007年9月19日). 「表情豊かな顔、ボディジェスチャー、音声からのマルチモーダル感情認識」. Artificial Intelligence and Innovations 2007: From Theory to Applications . IFIP (国際情報処理連盟). Vol. 247. Springer US. pp.  375– 388. doi :10.1007/978-0-387-74161-1_41. ISBN 978-0-387-74160-4。
  142. ^ “What is real-time captioning? | DO-IT”. www.washington.edu . 2024年9月9日時点のオリジナルよりアーカイブ。2021年4月11日閲覧。
  143. ^ Zheng, Thomas Fang; Li, Lantian (2017). 話者認識におけるロバスト性関連の問題. SpringerBriefs in Electrical and Computer Engineering. シンガポール: Springer Singapore. doi :10.1007/978-981-10-3238-7. ISBN 978-981-10-3237-0. 2024年9月9日時点のオリジナルよりアーカイブ。2024年9月9日閲覧。
  144. ^ Ciaramella, Alberto. 「プロトタイプの性能評価レポート」Sundial workpackage 8000 (1993).
  145. ^ Gerbino, E.; Baggia, P.; Ciaramella, A.; Rullent, C. (1993). 「音声対話システムのテストと評価」IEEE国際音響会議音声信号処理第2巻. pp. 135–138. doi :10.1109/ICASSP.1993.319250. ISBN 0-7803-0946-4. S2CID  57374050。
  146. ^ アメリカ国立標準技術研究所。「NISTにおける自動音声認識評価の歴史」（2013年10月8日アーカイブ、Wayback Machine）。
  147. ^ 「8.3. 音声認識 — 音声処理入門」speechprocessingbook.aalto.fi . 2025年10月24日閲覧。
  148. ^ 「文字名は混乱を招く可能性があり、文字と音の関係について知っておくべきこと」NAEYC。2024年9月9日時点のオリジナルよりアーカイブ。2023年10月27日閲覧。
  149. ^ 「話者依存型ASRと話者非依存型ASR」apxml.com . 2025年10月24日閲覧。
  150. ^ 「メディアストリーム - WebSocketメッセージ | Twilio」www.twilio.com . 2025年10月24日閲覧。
  151. ^ 「音｜特性、種類、および事実｜ブリタニカ」www.britannica.com . 2025年9月13日. 2025年10月24日閲覧。
  152. ^ 「音声テキスト変換精度の測定：単語誤り率の説明」picovoice.ai . 2025年10月24日閲覧。
  153. ^ “Listen Up: Your AI Assistant Goes Crazy For NPR Too”. NPR . 2016年3月6日. 2017年7月23日時点のオリジナルよりアーカイブ。
  154. ^ Claburn, Thomas (2017年8月25日). 「Amazon AlexaやGoogle Nowを聞き取れないコマンドで操作することは可能か？もちろん可能」The Register . 2017年9月2日時点のオリジナルよりアーカイブ。
  155. ^ 「自動音声認識システムを狙う攻撃」vice.com 2018年1月31日. 2018年3月3日時点のオリジナルよりアーカイブ。 2018年5月1日閲覧。
  156. ^ Beigi, Homayoon (2011). 話者認識の基礎. ニューヨーク: Springer. ISBN 978-0-387-77591-3. 2018年1月31日時点のオリジナルよりアーカイブ。
  157. ^ Povey, D., Ghoshal, A., Boulianne, G., Burget, L., Glembek, O., Goel, N., ... & Vesely, K. (2011). Kaldi音声認識ツールキット. IEEE 2011ワークショップ「自動音声認識と理解」（No. CONF）. IEEE信号処理学会.
  158. ^ “Common Voice by Mozilla”. voice.mozilla.org . 2020年2月27日時点のオリジナルよりアーカイブ。 2019年11月9日閲覧。
  159. ^ 「BaiduのDeepSpeechアーキテクチャのTensorFlow実装：mozilla/DeepSpeech」、2019年11月9日。2024年9月9日時点のオリジナルよりアーカイブ。2024年9月9日閲覧– GitHub経由。
  160. ^ “GitHub - tensorflow/docs: TensorFlow ドキュメント”. 2019年11月9日. 2024年9月9日時点のオリジナルよりアーカイブ。2024年9月9日閲覧– GitHub経由。
  161. ^ 「Coqui、誰もが利用できるオープンな音声技術を提供するスタートアップ」GitHub。2024年9月9日時点のオリジナルよりアーカイブ。2022年3月7日閲覧。
  162. ^ Coffey, Donavyn (2021年4月28日). 「マオリはビッグテックから自らの言語を守ろうとしている」. Wired UK . ISSN  1357-0978. 2024年9月9日時点のオリジナルよりアーカイブ。 2021年10月16日閲覧。
  163. ^ 「DeepSpeechからcoqui.aiに移行すべき理由」Mozilla Discourse . 2021年7月7日. 2021年10月16日閲覧。
  164. ^ “Type with your voice”. 2024年9月9日時点のオリジナルよりアーカイブ。2024年9月9日閲覧。
  165. ^ “Windowsで音声認識を使用する”. 2025年4月9日時点のオリジナルよりアーカイブ。

さらに読む

  • コール、ロナルド。ジョゼフ・マリアーニ;ウシュコレイト、ハンス。ヴァリル、ジョバンニ・バッティスタ。ゼーネン、アニー。ザンポーリ;ズー、ビクター編。 （1997年）。人間の言語技術における最先端の調査。ケンブリッジ自然言語処理研究。 Vol.  XII ～ XIII。ケンブリッジ大学出版局。ISBN 978-0-521-59277-2。
  • Junqua, J.-C.; Haton, J.-P. (1995). 『自動音声認識におけるロバスト性：基礎と応用』 Kluwer Academic Publishers. ISBN 978-0-7923-9646-8。
  • Karat, Clare-Marie; Vergo, John; Nahamoo, David (2007). 「会話型インターフェース技術」. Sears , Andrew ; Jacko, Julie A. (編). 『ヒューマン・コンピュータ・インタラクション・ハンドブック：基礎、進化する技術、そして新たな応用（ヒューマンファクターズとエルゴノミクス）』 . Lawrence Erlbaum Associates Inc. ISBN 978-0-8058-5870-9。
  • ピエラチーニ、ロベルト（2012年）『機械の中の声：音声を理解するコンピュータの構築』 MIT出版。ISBN 978-0-262-01685-8。
  • ピラニ、ジャンカルロ編（2013年）『音声理解のための高度なアルゴリズムとアーキテクチャ』 Springer Science & Business Media. ISBN 978-3-642-84341-9。
  • Signer, Beat; Hoste, Lode (2013年12月). 「SpeeG2: 音声とジェスチャーを用いた効率的なコントローラー不要のテキスト入力インターフェース」. ICMI 2013 議事録. 第15回国際マルチモーダルインタラクション会議. シドニー, オーストラリア.
  • ヴォルフェル, マティアス; マクドノー, ジョン (2009年5月26日). 『遠隔音声認識』 . Wiley. ISBN 978-0-470-51704-8。