Meta、1100以上の言語に対応する音声AIモデル「MMS」をオープンソース公開

Metaがオープンソース公開した「Massively Multilingual Speech（MMS）」は、音声AIの対応言語数を一気に10倍以上に広げるモデル群だ。

既存の音声認識（STT）や音声合成（TTS）ツールがカバーしているのは、せいぜい100言語程度にとどまっていた。MMSはこれを1100以上の言語にまで拡大し、さらに4000以上の話し言葉（口語）を識別できる。

どうやって実現したのか

音声モデルの学習で最大の壁となるのが、マイナー言語の音声データ不足だ。既存のオープンデータセットでは100言語を集めるのが限界だった。

そこでMetaの研究チームが目をつけたのが、世界中で翻訳されている聖書などの宗教テキストだ。これらの翻訳には、実際に朗読された音声データが公開されているケースが多い。

チームは1100以上の言語による新約聖書の朗読音声を収集し、1言語あたり平均約32時間の学習データセットを構築した。さらに他のキリスト教関連の未ラベル音声を加えることで、識別可能な言語数を4000以上にまで引き上げた。

朗読者は男性が多く、内容も宗教的なものに偏っているが、Metaの検証によると男性・女性の声で同等の精度を発揮し、出力に宗教的な偏向が生じることもないという。

何ができるのか

MMSはモデルとコードの両方が公開されており、研究者や開発者が手元ですぐに試せるようになっている。

音声認識や音声合成だけでなく、入力された音声がどの言語かを判定する言語識別機能も備えている。VRやAR機器の音声操作インターフェース、メッセージアプリの多言語対応など、これまでテクノロジーの恩恵を受けにくかった地域向けのツール開発に活用できる。

方言の処理など既存の音声技術共通の課題は残っており、Metaは今後さらなる言語の追加と方言対応を進めるとしている。

なぜ重要か

マイナー言語向けのサービスを開発したいエンジニアや、消滅危機言語のデジタル保存に取り組む研究者にとって、MMSは今すぐ試すべき強力なオープンソース基盤だ。ゼロから音声データを集めるのが非現実的だった言語でも、ファインチューニングの土台として使える。

歴史的に世界中へ翻訳されてきた聖書朗読データを活用してデータ不足を突破したアプローチは、非常に賢明だ。

ただし、1言語あたり平均32時間というデータ量は、数万時間規模で学習されている主要言語のモデルに比べればまだ限定的だ。騒音下での認識やくだけた日常会話では精度が落ちる可能性もあるが、これまで取り残されていた数千の言語をAIの射程に収めた意義はきわめて大きい。