SmartVoice Ver.2

(C) TOKUDA Masaaki
http://www.rr.iij4u.or.jp/~tokuda/以下にあるファイル(文章、写真、データ)は、全て徳田昌晃が作成しています。著作権は徳田昌晃が所有します。しかし、これらを作った労力を尊重してもらえるなら、これらのファイルの利用(複写配布、改変、販売)に制限はありません。むしろ、社会資質の向上のため、積極的に利用して下さい。但し、徳田昌晃が書いたことを表示せずに利用する場合は、利用者がその責任を負って下さい。

製品概要

SmartVoiceはViaVoiceに刺激されたNEC(日本電気)が発売した音声認識ソフトです。NECは「ずっと前から研究していたのに、IBMの知名度の方が上になってしまって悔しい。」うんぬん、というコメントをしていましたが、国内メーカーの名誉のために言及しておくと、音声認識の研究をしていたのは、IBMやNECだけではないのです。かなり色々な会社が研究していましたが、私の印象だと東芝やガスや電力会社、そしてもちろんNTTも熱心でした。東芝は自社のノートブックパソコン「ダイナブック」の一部の機種に音声認識ソフトを搭載しているのは有名です。このソフトは文章認識はしないようですけど。一方、電力、ガス会社は利用者側の研究に熱心で、これは巨大システムを低コストで動かすのが目的です。かなり真剣です。
さて、NECは悔しがっていましたが、HMMで音声認識をしようという研究は、アメリカが発祥の地。確か大学だと思うけど元祖は忘れてしまいました。その結果があまりにも良いので、爆発的に広まり、IBMもNECもその流れにいるわけです。今ではほとんど HMMばかり。現在、音声認識関係の論文を読むとHMMを使っていないシステムの話を見つける方が難しいぐらいです。

さて、SmartVoiceに話を戻しますと、私は知らなかったのですが、かなり前に Version 1が発売されていたそうです。しかし、全然噂にならなかったところをみると、性能もいまひとつだったのでしょう。
今回のVersion2は、実売価格約12000円。マイクはViaVoice98と同じで、しっかりしたもの。デバイスは問題なく合格。
いくつかのソフトのおまけも付いていますが、一番得するのがVoiceATOK2。ATOK12は別売りですが、Voice一太郎以外でVoiceATOK2を入手できるのはSmartVoiceだけです。なお、「駅すぱあと」も付いてきますが、インストールできないので、全然使い物になりません。音声合成エンジンは未使用です。

SmartVoiceの最大の特徴は、訓練(エンロール)がほとんどないということ。10文も読めば、使えるようになります。これに要する時間は3分程度。その後の処理はありませんので、本当に買ってすぐ使えるという表現がぴったりです。しかし、これは逆に訓練しようとしても、できない、訓練のしがいがない、ということにもなっています。フル訓練には45分程度、150文を読めばいいのですが、その効果は確かにあるのですが、目に見えて実感できるほどではありません。その点では、昔のViaVoiceは最初全然使い物にならないのに、3時間訓練すると認識するようになるので、とても熱心に訓練したものです。

使い勝手という点では、だいぶ研究したようで、かなりスムーズに操作できます。少なくともViaVoice98よりは使い勝手は良いです。

ということで、お手軽な割に、高機能、というのがSmartVoiceです。1999年夏の時点では、確かに最高性能でした。(残念ながら、その後に登場したViaVoiceミレニアムが最高性能の称号を奪ってしまいました。NECの巻き返しを期待したいです。)

評価

SmartVoiceは辞書を8万語と15万語のものに切り替えられるのですが、ここでは15 万語を使用しています。8万語を使うと処理速度が速くなるそうですが、元々遅いので、精度の方を重視して15万語を利用します。ところで、この数は仮名漢字変換と比較するとそれほど多いわけではありません。ViaVoiceよりは多いようですが、音声認識の辞書は10万語程度が平均のようです。
なお、訓練は全て行っています。訓練の時間はだいたい45分程度かかっています。かなり楽な訓練です。

入力文

評価用に入力した文章は次の3つです。

ろう者には手話通訳が必要とされています。しかし、難聴者には要約筆記の方が良いこともあります。これは特に人手がかかります。そのため、音声認識に期待が集まっています。
モンティパイソンは1970年代に活躍したイギリスのコメディアンの集団です。ビーンを代表作とするローワン・アトキンソンもその影響を受けた、そのブラックユーモアはとても日本では広く受け入れられるとは思えませんが、イギリスのユーモアを強く感じさせます。
今年はミカンの豊作が予想され、市場では価格の暴落を心配する声が多く聞かれます。お正月に向けて、野菜の価格上昇も予想され、スーパーマーケットの卸担当者は心の休まる時間もなさそうです。

評価はこの文章をマイクで読み上げます。結果を安定させるにはライン入力で同じ音声を使うべきだと思いますが、要約筆記の代わりに音声認識ツールを使うとすればマイク入力しかありません。また、音声認識ツールごとに癖があります。人間側で簡単にできる調整をして、音声認識ツールにベストな結果を出してもらい、その上で実践的な状況における能力を評価します。
なお、「ろう者」「通訳者」という単語は、どのツールでも単語登録をしています。

結果1 (平坦音声1回目)

SmartVoiceは平坦な発音が良い結果を出すようです。次の結果は平坦な発音 (直接聞くと違和感を感じます。)で入力した結果です。入力時間は3文で約1分。出力が全て出るまでに約2分50秒です。これは結果2、3も同じぐらいです。

ろう者には手話通訳が必要とされています。しかし、難聴者にはようやくひいきの方が良いこともあります。これは特に人手がかかります。そのため、音声認識に期待が集まっています。
モンテ一杯さんは千九百七十年代に活躍したイギリスのコメディアンの集団です。備後代表作とする老眼あと欽宗もその影響を受けたそのブラックユーモアはとても日本では広く受け入れられるとは思いませんが、イギリスのユーモアを強く感じさせます。
今年は未完の工作が予想され、市場では化学の暴落を心配する声が多く聞かれます。お正月に向けて、野菜の価格上昇も予想され、スーパーマーケットの卸担当者は心の休まる時間もＮＡＳＡそうです。

結果2 (平坦音声2回目)

結果1と同じ調子でもう一度入力します。前述したようにマイク入力なので全く同じ入力というわけにはいきませんので、結果もこの程度異なることを見てください。

五社には白通訳が必要とされています。しかし、難聴者にはようやく筆記の方が良いこともあります。これは特に人手がかかります。そのため、音声認識に期待が集まっています。
モンテ一杯損は千九百七十年代に活躍したイギリスのコメディアンの集団です。ヒーロー代表作とする同案は鍍金存亡その影響を受けたそのブラックユーモアはとても日本では広く受け入れられるとは思いませんがイギリスのユーモアを強く感じさせます。
今年は未完の豊作が予想され、市場では化学の暴落を心配する声が多く聞かれます。お正月に向けて、野菜の価格上昇も予想され、スーパーマーケットの卸担当者は心休まる時間もの差そうです。

結果3 (抑揚付き音声)

結果1,2と違い、普通の話し方で入力した結果を以下に示します。処理時間はほとんど同じで2分ちょいです。

ろう者には四月百一を伝えています。しかし、難聴者にはようやく必見ほか良いこともあります。これは特に人手があります。そのため音声認識に期待が集まっています。
門扉に改装は千九百七十年代に活躍したイギリスのコメディアンの集団です。リンゴ代表作とする浪漫派と人相もその影響を受けた、その額ユーモアはとても日本では広く受けいられるとは思いませんが、イギリスのユーモアを強く感じさせます。
絵を今年はみかんの方策を予想され、市場では価格の暴落を心配する声が多く聞かれます。お正月に向けて、野菜の価格上昇も予想され、スーパーマーケットの卸担当者は心休まる時間もＮＡＳＡ送別。

結果4 (VoiceATOK2を追加しての平坦音声)

音声認識にVoiceATOKを追加することで、いくらか言語情報を付与して精度を高めることができるようです。効果のほどは以下の通り。なお、入力音声は平坦音声です。

ろう者には手話通訳が必要とされています。しかし、難聴者にはようやく筆記の方が良いこともあります。これは特に人手がかかります。そのため、音声認識に期待が集まっています。
モンテ一杯相場千九百七十年代に活躍したイギリスのコメディアンの集団です。Ｂの代表作とする老アンカーと金存亡その影響桁そのブラックユーモアはとても日本では広く受け入れられるとは思えませんが、イギリスのユーモアを強く感じさせます。
今年は未完の豊作が予想され、市場では価格の暴落を心配する声が多く聞かれます。お正月に向けて、野菜の価格上昇も予想され、スーパーマーケットの卸担当者は心の休まる時間もＮＡＳＡそうです。

感想

ほとんど訓練せずにこれだけの結果が出せるのなら、かなり良い性能と思っていいのではないでしょうか。ただ、やはり未知語のあたりがメチャメチャになってしまうことと、まだ実時間での解析には無理があること、入力する声色を変えなければならないのは、課題でしょう。さらなる改良を期待します。

戻る