技術開発ニュース　No.168

• 
• カテゴリ： 技術開発ニュース
• 作成日： 2024/03/12 18:00:00
• 要約：

---

• 目次
• 1. 表紙
• 2. ご挨拶・ご案内
• 3. 目　　次
• 4. 研修カレンダー・受講企業さまの声
• 5. 階層別
•      5. 新任管理者研修
•      5. 職場を円滑に！若手リーダー研修（福井）
•      5. 中堅管理者研修
•      6. 職場を円滑に！若手リーダー研修（金沢）
• 6. 組織マネジメント
•      6. 実践的仕事管理術（基本編）
•      6. 部下指導のためのコーチング講座
•      7. DX&人手不足時代に立ち向かう「地力」養成講座
• 7. 人事・組織
•      7. 本気で人財定着・育成・採用に取り組む管理者養成講座
•      8. 人手不足時代の人材「財」戦略
• 8. 財務管理
•      8. 決算書の読み方基礎講座
•      8. 財務分析講座
• 9. 生産管理
•      9. わかる・できる！５S入門講座
•      9. モノづくり企業にマストな「問題解決力」養成講座
• 9. 助成金制度について
• 9. 感染症対策について
• 10. 受講手続き
• 10. オンラインから簡単にお申込み
• 11. 経営後継者研修
• 11. 中小企業のための少人数制オンライン研修
• 12. 裏表紙

---

• 
• ページ： 52
• 研　究　成　果 Results of Research Activities 音声対話の要約技術 Spoken Dialogue Summarization 議事録作支援に向けて 　会議などの自然発話においては「言語的曖昧性」を含む話し言葉から要旨を把握するの は容易ではない。本研究では、議事録作成の前段階として、このような音声対話をテキス ト化し、発話内容の要点をまとめる要約技術について検討を行った。さらに、提案手法を 模擬会議データで評価した結果について述べる。 1 執筆者 先端技術応用研究所 情報技術グループ 瀬川　修 Transformer に基づく End-to-End 方式をベースとして、 背景と目的 話者数既知のマルチチャネル録音に対し、マイクを装着し た「主話者」の音声を選択的に判別するダイアライゼー 　これまで会議など音声対話の要約の研究が多数試みられ ション方式を考案した（特許出願中）。 ているが、自然発話の認識の難しさに加え、曖昧な話し⾔ 　マルチチャネル録音では、話者別に口元で録音したとし 葉から要旨を把握するのは容易ではない。また、音声対話 ても周囲の話者の声がオーバーラップして混入する。そこ においては発話分割と併せ話者識別という困難な問題が存 で、提案手法では、各チャネルの話者数が 1 名という条件 在する。 の下で、モノラル混合音声の各フレームにつき主話者の発 　最近では深層ニューラルネットワークに基づく音声認識 話区間かノイズ区間かの 2 値判別を行う。具体的には、入 技術の発展によって、音声対話の認識性能が向上し、対話 力音声の全体構造から話者区間を推定する global ネット 内容の要約が技術的なスコープに入ってきた。そこで、本 ワークと、入力音声の局所的構造から話者区間を推定する 研究では議事録の自動生成に向けた音声対話の要約技術に local ネットワークの 2 つ推論結果の統合によって、チャネ ついて検討を行い、模擬会議データによる提案手法の評価 ルごとの主話者区間を推定する。そして、各チャネルの推 を行った。 定結果（話者ラベル）を統合することによって最終結果を 2 得る。 音声対話の要約技術 （2）音声認識 　2015 年 頃 か ら 系 列 変 換 モ デ ル と Attention に 基 づ く 　音声対話の要約の実現に向けては、主な要素技術とし End-to-End 音声認識手法の検討が盛んに行われるように て、発話分割と話者識別、音声認識、および要約などが挙 な っ た。 本 研 究 で は、Transformer と CTC を 併 用 し た げられる。各要素技術と技術課題を第 1 表に示す。 Encoder-Decoder によるアルゴリズムを用いた。認識の 最小単位（トークン）は日本語キャラクタである。 第 1 表　音声要約技術の課題 要素技術 課題 発話分割と話者識別 ・複数話者の識別 ・発話のオーバーラップ 音声認識 ・自然発話の認識 ・未知語の学習 要約 ・話し⾔葉からの要旨把握 ・要約文の生成 　End-to-End 音声認識手法では、モデル学習に音声と書 き起こしテキストのペアが必要であり、語彙の追加にコ ストを要していた。そこで、我々はニューラル音声合成 (Text-to-Speech :TTS) を用いて、テキストデータから対 応する音声データを自動生成する「データ拡張」の枠組み を検討した。 （3）要約 　要約には、発話の重要度を評価して抜粋する「抽出型 3 アルゴリズム検討 　以下では、各要素技術の概要と課題を解決するためのア ルゴリズムについて述べる。 （1）発話分割と話者識別 　 長 時 間 の 音 声 に 対 し 発 話 分 割 と 話 者 識 別（ 誰 が い つ 喋ったか）を行う手法のことを総称して話者ダイアライ ゼ ー シ ョ ン（Speaker Diarization） と 呼 ぶ。 当 該 分 野 では、2019 年頃からニューラルネットワークに基づく End-to-End 方式が盛んに検討されている。本研究では、 51 技術開発ニュース 2024.03／No.168 要約」と、対話全体を勘案して要約文を生成する「生成 型要約」がある。最近では、大規模⾔語モデル（Large Language Model: LLM）を利用して生成型要約を行う方 式が盛んに検討されるようになり、長期文脈を考慮した要 旨の把握が可能になりつつある。本稿では、Transformer に基づく自己回帰型の LLM（オープンソース）を用いて生 成型要約を行う方式の初期検討を行った。 　ここで、オープンソースの LLM を利用するメリットで あるが、分野やタスクに特化した独自の学習（ファイン チューニング）が可能なこと。また、クローズドな環境で 運用の内製化が可能などの点が挙げられる。 
• ▲TOP

---

• 前ページへ
• 次ページへ
• 一覧へ