音声認識

1952年にBell Labsが作ったAudreyは、一人の話者が発音した0から9までの数字を認識した。IBMは1962年にShoeboxを披露している。実用化の突破口は統計から来た。隠れマルコフモデルとガウス混合モデルの組み合わせが1980年代から主流となり、1997年にはDragon NaturallySpeakingが連続音声の書き起こしを実現した。ただし、事前に30分かけて自分の声を学習させることが条件だった。

深層学習は2011年から誤り率を半減させた。最初は音響モデルをニューラルネットワークに置き換え、次にパイプライン全体を捨てて、CTCやアテンションを使うエンドツーエンドのモデルへ移った。OpenAIのWhisper（2022年）は68万時間の音声で学習し、1組の重みで数多くの言語を扱う。残る難所は、昔から変わらない。背景雑音、話者の重なり、訛りである。