コニカミノルタではMELON(メロン)/KOTOBAL(コトバル)という業界特化型の翻訳サービスを展開している。このサービスはタブレット端末から操作を行い、音声認識・機械翻訳機能とオペレーターによるハイブリット通訳機能であり、多言語での機械通訳に対応している。サービスの品質として、音声認識での精度が重要であり、特に業界特化のサービスとして専門用語の認識精度及び日本語での認識精度が重要な観点となっている。今回は、業界特化の音声認識エンジンの精度向上として、業界で話される専門用語を収集し、人工音声を用いた学習データの構築を実施。データ作成のコストを削減しつつ特化モデルの構築した。また、製品化でのサイクルを意識し、MLOpsのシステムを構築した。これにより、音声認識エンジンの学習サイクルを高速化し、製品の性能改善していき、顧客価値に繋がる。

　業界特化の音声認識エンジンの学習・開発を行うには、データ収集、学習、評価、デプロイまでのフローがある。音声認識エンジンでは、認識させたい文章を発話した音声とテキストのペアを作成する必要がある。データを必要量収集した後、音声認識エンジンの学習を行い、既存エンジンとの性能比較などの評価を行い、サービスに組み込む（デプロイ）こととなる。

1. 専門用語を含む学習データの構築
　業界特化のエンジンを作成するにあたり、その業界の専門用語を収集し、音声データを構築することが重要になる。専門用語を収集すること自体は容易であるが、その専門用語を含む音声データを収集するのは人による読み上げが必要となり、人的コストが多く発生する。また、MELON/KOTOBALでは医療・観光、自治体の業界であり、専門性や流行により新規の単語が日々増加している。人による音声の読み上げをベースにしてくと、細かい改善サイクルを実施することができない。そこで、専門用語の収集後、音声データセットについては、大規模言語モデルと人工音声を用いて構築した。(Fig. 2)これにより、学習する専門用語のデータセットの構築に関して人的コストがかからず、新規単語の学習サイクルの高速化を実施できるようになった。
　新規の音声認識エンジンの学習・評価結果をTable 1に示す。今回は専門用語を含む学習データセットのみだけでなく、一般的な日本語の音声データセットを加えて学習を実施した。日本語の認識精度（WER: Word Error Rate, CER: Charactor Error Rate）及び専門用語の認識精度をそれぞれ評価した。結果として、サービスに搭載している既存エンジンと比較して、日本語の認識精度及び専門用語の認識精度が向上が確認できた。

Table 1 専門用語のデータセットを用いた学習結果

2. 学習サイクルの向上
　学習サイクルの向上としては、コニカミノルタで開発した「QuickAnno」1)を使用している。このシステムは専用AIモデルでの自動正解付けとツール内のデータを用いた再学習機能を備えており、LabelStudioといったアノテーションツール、学習結果管理ツールであるMLflowと連携し、AI開発の効率化に貢献している。1で構築している専門用語を含む学習データをLabelStudioに登録し、音声認識エンジンの学習・評価をすべてUI上で完結する環境を構築した。

　現時点では、音声認識エンジンの開発は日本語のみだが、製品では多言語での認識精度の向上が求められているので、今後の製品サイクルの中で日本語以外の性能向上を進めていく。