自動音声認識（ASR）の精度向上において、言語モデルは欠かせない存在だが、最近は大規模言語モデル（LLM）を誤り訂正に使う手法が増えている。しかし、新たな研究は、LLMよりも15倍パラメータが少ない軽量なseq2seqモデルが、音声認識の誤り訂正でLLMを上回る性能を示したと報告している。この成果は、音声AI分野で「大きいほど良い」という流れに一石を投じ、専用設計の効率性が再評価される契機となりそうだ。

誤り訂正で生じるLLMの「遅延」と「幻覚」問題

音声認識の出力結果をLLMで後処理する試みが活発化しているが、そこには実用上の課題が伴う。第一に、大規模モデルの推論には時間がかかり、リアルタイム性が求められる音声対話システムには深刻な遅延をもたらす。第二に、LLMは入力にない情報を生成する「幻覚（ハルシネーション）」を起こしやすく、誤った訂正によってかえって単語誤り率（WER）を悪化させるリスクがある。研究チームは、これらの課題はLLMが「テキストしか見ていない」ことに起因すると指摘する。音声認識のエラーパターンを知らずに訂正を行うため、文脈に過剰適合した不自然な修正が行われるのだ。

合成音声で誤りパターンを学習、多様性の再現が鍵

研究チームは、膨大な音声認識の誤りデータを確保するため、テキスト音声合成（TTS）とASRを連鎖させた合成コーパスを構築した。この手法では、まずTTSで音声を生成し、それを既存のASRシステムで文字起こしすることで、意図的に「誤りを含む対訳データ」を大量生産できる。ポイントは、現実の誤り分布の多様性にいかに近づけるかにある。単一のTTSとASRの組み合わせでは偏ったエラーパターンしか得られないため、複数の話者・ノイズ条件・ASR方式を組み合わせて学習データを作成した。これにより、軽量モデルであっても現実世界の複雑な誤り傾向を効率的に学ぶことが可能になった。

「訂正優先デコーディング」で音響スコアを再活用

提案手法のもう一つの核が、「訂正優先デコーディング（correction-first decoding）」と呼ばれる仕組みだ。通常、ASRは音響モデルのスコアを基にテキストを出力するが、本手法では訂正モデルが生成した複数の候補テキストを、元のASRシステムの音響スコアでリスコア（再評価）する。これにより、言語的な妥当性だけでなく、実際の音声信号との整合性も担保される。特に、LLMが苦手とする「誤りが少ない発話の精密な訂正」において、このアプローチは過剰修正を防ぎ、一貫性の高い結果を示した。

小型モデルが示す汎用性と産業応用への示唆

このモデルはパラメータ数がLLMの15分の1でありながら、標準的な英語音声ベンチマークLibriSpeechのテストクリーンで1.5%、テストアザーで3.3%のWERを達成し、LLMを用いた訂正を上回った。さらに、CTC、Seq2seq、Transducerといった異なるASR方式や、多様なドメインの音声に対しても安定した性能を発揮した。特筆すべきは、この汎用性が単一の軽量モデルで実現されている点だ。これは、オンデバイスやエッジ環境で動作する音声アシスタントにとって、クラウド上の巨大モデルに依存しない高精度化の道を示す。ASRの「後処理」という地味な領域ながら、省リソースと高性能の両立は、次世代音声インターフェースの競争軸として重要性を増すだろう。