音声情報検索の現状

　インターネット上でテキストデータが増え続けた結果、テキストの全文検索サービスが不可欠となりました。次に必要なのは、キーワードを入力するだけでそれを含む音声データを全文検索できる音声情報検索サービスです。しかし、音声データはそれ自体を索引として使えないため、音声認識によるテキスト化が必要となります。従来の音声認識技術では誤認識が多く、新しい言葉に対応できないため、実用的な精度の音声情報検索は実現困難でした。

図1　ポッドキャストに対する全文検索の画面例

図2　音声認識の誤認識をユーザーが簡単に訂正できるインターフェースの画面例

 

日々成長する音声情報検索システム

　私たちは、不特定多数のユーザーの協力によって性能が向上する音声情報検索システムを開発し、日本語のポッドキャスト（インターネット上の代表的な音声データで、ブログの音声版に相当）を対象とした全文検索サービス「PodCastle（ポッドキャッスル）」http://podcastle.jpとして公開し、実証実験を行っています。PodCastleは、以下の3つの特長をもっています。

（1）インターネット上の日本語ポッドキャストの全文検索が可能

　PodCastleでは、日々自動収集しているポッドキャストの音声データを、音声認識でテキスト化して索引を付けておき、ユーザーが入力した検索キーワードと照合して全文検索結果を表示します（図1）。個々の検索結果では、キーワード周辺の音声認識結果が表示され、実際にもとのサイト上から音声を聴いて確認することもできます。

（2）次々と出現する新しい言葉を自動学習

　従来の音声認識では対応できないような新しい言葉（新語、時事用語、芸能人名など）を、インターネット上のニュース記事や辞書などから自動学習する技術を開発しました。その際、音声認識辞書に言葉を追加するだけでなく、その周辺のつながり（文脈）も学習するため、より的確な認識が可能となりました。

（3）ユーザーが協力すればするほど音声の検索・認識の性能が向上

　音声認識において不可避な認識誤りにユーザーが気づいたときに、効率的に訂正ができる新たなインターフェースを開発しました。具体的には、音声認識結果に対する複数の候補も求め、図2の画面例のように提示することで、ユーザーは正しい候補を選択するだけで訂正ができます（候補にない場合にはタイプ入力します）。これにより索引付けが正しくなるので、検索性能が向上します。さらに、訂正結果を自動学習することで、多数のユーザーが訂正すればするほど音声認識の性能を向上させることができます。

 

音声情報検索システム概要

今後の展開