AIBR プレミアム
拓海先生、最近、下の者から「TTSを導入して音声で通知を出せば現場が楽になる」と言われてまして。けれども実務で使ったら変な読み間違いが出るらしいんです。どういうことなんでしょうか？
素晴らしい着眼点ですね！まず大事なのは、TTS（Text-to-Speech：テキスト音声合成）が学習した語彙に無い単語、つまりOOV（Out-of-Vocabulary：語彙外）に弱い点です。これが現場での読み間違いの主因なんですよ。
なるほど。要するに、TTSが学んでいない単語だと正しく読めない。うちは業界用語や英語が混じるので、そのあたりが問題になると。
その通りです。今回紹介する研究は、低リソース言語でよくある問題に着目して、低コストでOOVを補うデータ収集法を示しています。結論を三つで整理すると、1) 実務で使う語彙は訓練データでカバーされないことが多い、2) プロの音声ではなくボランティア録音で不足語彙を補うことで性能向上が図れる、3) その際に音声の品質や既存ドメイン性能が損なわれない、です。
これって要するに、ボランティアに短い単語リストを読んでもらうだけで実用レベルが上がるということですか？ 投資対効果が気になります。
大丈夫、一緒に見ていけばわかりますよ。比喩で言えば、既存のTTSは店の在庫表で、新しい現場用語は新入荷の商品です。高級な見本市に全部出す代わりに、重要なSKUだけ追加すれば売上が伸びる。ここでは重要な単語だけ安価に録ることで効果を出す方法を示しているのです。
現場でよく出る略語や英語混じりは確かに多い。で、品質は本当に保てるのですか？ 聞き取りやすさが落ちたら現場からクレームが来ます。
結論としては保てます。研究では、ボランティア録音を既存データに追加して学習させた結果、OOV単語の可解性（intelligibility）が改善し、声質やドメイン内の性能に悪影響がなかったと示しています。要点を3つにまとめると、(1) 対象単語の選定、(2) 短時間での録音設計、(3) 既存モデルへの追加学習、です。
なるほど。実際にどういう単語を録るのか、その選定が肝ということですね。これを社内でやる場合、工場の現場言葉を集めればいいと考えてよいですか？
はい、それで十分効果が期待できますよ。まずは頻出のOOVを洗い出し、発音上問題になる文字列（文字バイグラムなど）を優先して短いリストを用意します。次に社内や地域のボランティアに録音してもらい、追加データで再学習します。これで聞き取り改善が見込めます。
分かりました。では社内で小さく試して効果が出れば拡大する、という段取りで進めます。要するに、重要なOOV単語を安価に録って追加学習すれば、現場での読み間違いは減るということですね。よし、やってみます。
