第4世代の音声認識を目指して

摘要

1950年代以降，半世紀以上にわたって進歩を遂げてきた音声認識技術は，第1，第2，第3，第3.5世代に分けることができる．近年，種々の音声認識応用システムが実際に用いられるようになってきたが，その性能は人の能力に比べるとはるかに劣っており，人の能力に近づくには，第4世代といえるような大きなパラダイムシフトが必要である．そのためには，現在の音声認識技術で扱うことができない複数のレベルでの動的音声特徴の利用と，人が経験する多様かつ膨大な変化をカバーする音声コーパスに基づく，大規模かつ多様な音声言語知識の体系化を行う必要があると思われる．