Google、1000言語対応を目指す音声AIモデル「USM」の進捗を公開

チャットAIの主導権争いでGoogleとMicrosoftが火花を散らすなか、音声AIの領域でも大きな動きがありました。

Googleは現地時間3月6日、Universal Speech Model（USM）に関する最新の進捗を公表しました。同社が掲げる「世界で最も話されている1000の言語に対応する」という目標に向けた重要な第一歩と位置づけられています。

20億パラメータ、300言語以上のデータで学習

Googleは昨年11月に1000言語構想を発表し、その際にUSMの存在を初めて明かしました。今回の更新では、その具体的な性能と規模が掘り下げられています。

USMは20億パラメータを持つ最先端の音声モデル群です。300以上の言語にわたる1200万時間の音声データと、280億文に及ぶテキストを用いて学習が行われました。

現在、USMは100以上の言語に対応しています。英語や中国語といった主要言語だけでなく、アムハラ語、セブアノ語、アッサム語などの言語も自動で検出・認識できます。

YouTubeでの実用とARグラスへの布石

USMはすでに実験室を出て実戦投入されています。Googleによると、YouTubeの自動字幕起こし機能にはすでにUSMが採用されているとのことです。

将来的にはハードウェアとの連携も視野に入っています。昨年Googleが披露したARグラスのコンセプトのように、相手が話した言葉がリアルタイムで目の前に翻訳表示される仕組みの基盤技術になり得ます。

ただし、実用化へのハードルはまだ低くありません。前回のI/Oのデモではアラビア語の表示に誤りがあり、言語処理の難しさを露呈しました。競合のMetaも同様の音声翻訳ツールの開発を進めていますが、まだ初期段階にとどまっています。

なぜ重要か

一般ユーザーにとっては、世界中のマイナーな言語の動画でも正確な字幕が表示されるようになり、情報のアクセシビリティが大幅に上がります。特にこれまでデジタル技術の恩恵を受けにくかった地域の人々にとって、母語のまま利用できる価値は絶大です。

業界の視点で見れば、テキストチャットの性能競争で追われるGoogleが、保有する巨大な音声データ資産を活かして差別化を図る動きと言えます。YouTubeという実サービスのトラフィックで直接モデルを検証できる点は、他社にはない強みです。

1000言語という気の遠くなる目標にあえて踏み込む戦略は、将来の数十億人の新規ネットユーザーを囲い込む上で賢い一手だと考えられます。しかし、データが極端に少ない言語でどこまで実用的な精度を担保できるのか、依然として課題は山積みのように見えます。