Paza: 低リソース言語のための自動音声認識ベンチマークとモデルの紹介

研究フォーカス: 2024年4月15日週

音声は、最も自然で包括的なコミュニケーション手段の一つです。しかし、世界で話されている7,000以上の言語のうち、大規模な音声データセットが存在するのはごく一部に限られています。このデータの偏りは、自動音声認識（ASR）技術の開発に深刻な格差を生み出し、多くの言語コミュニティが最新の音声AIの恩恵から取り残される結果を招いています。

この問題に対処するため、マイクロソフトの研究チームは「Paza」プロジェクトを立ち上げました。Pazaは、低リソース言語に焦点を当てた、新たなASRベンチマークとモデル群を提供するイニシアチブです。このプロジェクトの名称は、スワヒリ語で「声」を意味する「sauti」と、スペイン語で「声」を意味する「voz」という二つの言葉に由来し、多様な声をテクノロジーを通じて増幅させるという使命を象徴しています。

Pazaプロジェクトの第一弾として、私たちは10の低リソース言語を対象とした新しいベンチマークを導入します。これらの言語は、話者数が比較的多いにもかかわらず、デジタル領域でのリソースが著しく不足しています。対象言語は、アムハラ語、アゼルバイジャン語、バンバラ語、ベラルーシ語、ブギス語、ハウサ語、キルギス語、マオリ語、タタール語、ウズベク語です。

このベンチマークの核心は、各言語の音声と対応する書き起こし文で構成される、高品質な評価データセットです。これらのデータは、言語学者やネイティブスピーカーと緊密に連携し、厳格な品質管理プロセスを経て構築されました。私たちは、このベンチマークが、低リソース言語におけるASRモデルの性能を公平に測定・比較するための信頼できる基盤となると信じています。

ベンチマークと同時に、私たちはこれらの10言語に対して訓練した一連のASRモデルをオープンソースとして公開します。これらのモデルは、限られた監督データを効果的に活用する最新の技術を採用しています。具体的には、大規模な多言語音声データによる事前学習と、対象言語の少量データによるきめ細かな調整を組み合わせることで、データ不足の課題を克服しようと試みています。

私たちの初期実験結果は有望です。公開されたモデルは、各言語において強力なベースライン性能を達成しています。例えば、アムハラ語とウズベク語では、単語誤り率（WER）が20%を下回る結果を示しました。これは、限られたリソースであっても、実用に耐えうるASRシステムの構築が可能であることを示唆しています。

しかし、Pazaプロジェクトは単なるモデル公開に留まるものではありません。私たちの真の目標は、低リソース言語音声処理の研究コミュニティを活性化し、協力を促進することにあります。ベンチマークとベースラインモデルを提供することで、他の研究者が私たちの成果の上にさらに構築し、改良を加え、新たな言語へと範囲を拡大することを期待しています。

言語の多様性は、人類の文化的・知的遺産の重要な一部です。Pazaプロジェクトは、音声AIの進歩が一部の主要言語に限定されるのではなく、可能な限り多くの人々とコミュニティに役立つものであるべきだという信念に基づいています。私たちは、この取り組みが、より包括的な音声技術の未来に向けた重要な一歩となることを願っています。

研究者、開発者、言語コミュニティの皆様に、Pazaのベンチマークとモデルを試し、フィードバックを提供し、この共同作業に参加するよう呼びかけます。共に、言語の壁を越えて、世界中のあらゆる「声」に力を与える技術を創造していきましょう。