カスタマイズの理解

IBM Watson® Speech to Text サービスで提供されるカスタマイズ・インターフェースを使用して、このサービスの音声認識機能を拡張できます。 カスタマイズ機能を使用して、対象の分野と音声に合わせて基本モデルをカスタマイズすることで音声認識要求の正確度を高めることができます。

カスタマイズ・インターフェースは、カスタム言語モデルとカスタム音響モデルの両方をサポートしています。 両タイプのカスタム・モデル用のインターフェースは似ており、簡単に使用できます。 いずれかのタイプのカスタム・モデルを認識要求で使用することも簡単であり、そのためにはモデルのカスタマイズ ID を要求で指定します。

音声認識は、カスタム・モデルを使用するかどうかに関わらず、同じように機能します。 音声認識にカスタム・モデルを使用する場合、通常は認識要求で使用可能なすべてのパラメーターを使用できます。 使用可能なすべてのパラメーターについて詳しくは、パラメーターの要約を参照してください。

IBM Cloud 言語モデルまたは音響モデルのカスタマイズを利用するには、Plus、Standard、Premiumの料金プランが必要です。 ライト・プランのユーザーはカスタマイズ・インターフェースを使用できませんが、プラス・プランにアップグレードしてカスタマイズにアクセスできます。 詳しくは、料金設定に関する FAQ を参照してください。

言語モデルのカスタマイズ

言語モデル・カスタマイズをサポートする言語とモデル、およびそのサポート・レベル (一般出荷可能またはベータ版) について詳しくは、各言語でのカスタマイズのサポートを参照してください。

このサービスは、幅広い一般の対象者を念頭に開発されています。 このサービスの基本語彙には、日常的な会話で使用される多数の単語が含まれています。 このサービスのモデルは、多くの用途で十分な正確度の音声認識を実現します。 ただしこれらのモデルでは、特定の分野に関連する特定の用語の知識が不足している場合があります。

言語モデルのカスタマイズ・インターフェースを使用すると、医療、法律、情報技術などの分野で音声認識の正確度を向上させることができます。 言語モデルのカスタマイズを使用することで、基本モデルの語彙を拡張および調整して分野固有の用語を追加できます。

カスタム言語モデルを作成して、対象の分野固有のコーパスと単語を追加します。 拡張された語彙に基づいてカスタム言語モデルをトレーニングしたら、そのモデルをカスタマイズされた音声認識用に使用できます。 このサービスは、一般にどのようなカスタム・モデルも数分間でトレーニングできます。 カスタム・モデルの作成に必要な時間と労力は、モデルで使用可能なデータによって異なります。

大規模音声モデル、旧世代モデル、次世代モデルでは、言語モデルのカスタマイズが可能です。ただし、カスタマイズの方法は、大規模音声モデル、旧世代モデル、次世代モデルで異なります。 この資料では、相違点について説明します。 言語モデル・カスタマイズの入門について詳しくは、以下を参照してください。

次世代モデルの言語モデル・カスタマイズの向上

次世代モデルの言語モデルのカスタマイズが強化されています。 言語モデルのカスタマイズの改善は、いくつかの言語のモデルから始めて、次世代モデルに段階的に適用されます。 今後、その他の次世代言語モデルも、改良されたテクノロジーに移行されます。

  • 改善されたテクノロジーを使用するモデルを識別するには、 次世代モデルのカスタマイズ・サポート の表 2 の 「言語モデルのカスタマイズ (改善)」 列で日付を探します。 ご使用のバージョンのサービスについて、日程をご確認ください。 IBM Cloud、 IBM Software Hub または IBM Cloud Pak for Data。 この日付は、次世代モデルが改良された技術にいつ移行されたかを示しています。
  • 改善されたテクノロジーを利用するには、 改善された次世代モデルに基づくすべてのカスタム言語モデルをアップグレードする必要があります。 カスタム・モデルが改良された次世代モデルに基づいている場合、サービスは、カスタム・モデルのリトレーニング時に必要なアップグレードを引き続き実行します。 詳しくは、 改善された次世代モデルに基づくカスタム言語モデルのアップグレード を参照してください。

新しいテクノロジーに基づく言語モデルの場合、音声認識の向上のために以下のパラメーターが最適化されています。

  • デフォルトの customization_weight が 0.2 から 0.1 に変更されました。 以前にカスタム・モデルに関連付けたデフォルト以外の customization_weight は削除されます。 詳しくは、カスタマイズの重み付けの使用を参照してください。
  • デフォルトの character_insertion_bias は 0.0 のままですが、モデルは、パラメーターを使用して音声認識の必要性を減らす方法で変更されています。 詳しくは、 文字挿入バイアス を参照してください。

これらのパラメーターを使用する場合は、以下のガイドラインに従ってください。

  • これらのパラメーターにデフォルト値を使用する場合は、引き続き使用してください。 デフォルト値は、音声認識に最適な結果を提供し続ける可能性があります。
  • これらのパラメーターにデフォルト以外の値を指定する場合は、デフォルト値を試してください。 カスタム・モデルは、デフォルト値を使用した音声認識に適している場合があります。
  • これらのパラメーターに異なる値を使用すると、カスタム・モデルでの音声認識が改善される可能性があると考えられる場合は、音声認識を改善するためにパラメーターが必要かどうかを段階的に変更してみてください。

サポートされる次世代言語モデル:

  • RNNT_Customization_supported_langs =
    • ja-JP マルチメディア
    • ja-JP マルチメディア
    • ja-AU_Multimedia
    • ja-IN_Multimedia
    • ja-JP テレフォニー
    • ja-GB テレフォニー
    • Ja-AU_Telephony
    • ja-IN_Telephony
    • Ja-JP_Multimedia
    • Ja-JP_Telephony
    • FR_Multimedia
    • FR_Telephony
    • 非 DE_Multimedia
    • DE_Telephony
    • fr-CA_Multimedia
    • pt-BR_Multimedia (マルチメディア)
    • pt-BR_Telephony

音響モデルのカスタマイズ

音響モデル・カスタマイズは、前世代モデルでのみ使用可能です。 大規模な音声モデルや次世代モデルでは使用できません。

このサービスは、さまざまな音声特性に適した基本音響モデルを使用して開発されました。 ただし次のような場合は、基本モデルをカスタマイズしてご使用の音声に適合させることで、音声認識を向上させることができます。

  • ご使用の音響チャネル環境に固有の問題がある場合。 例えば、環境にノイズが多いか、マイクロフォンの品質や配置が最適ではないか、音声が遠方場効果の影響を受ける場合などです。
  • 話者の話し方が標準的でない場合。 例えば、話者の話す速度が異常に速いか、音声に砕けた会話が含まれている場合などです。
  • 話者のなまりが発音されている場合。 例えば、非母国語や第二言語で話している話者が音声に含まれている場合などです。

音響モデルのカスタマイズ・インターフェースを使用すると、基本モデルをカスタマイズして対象の環境と話者に適合させることができます。 カスタム音響モデルを作成して、書き起こそうとしている音声の音響的特性にほぼ一致する音声データ (音声リソース) を追加します。 音声リソースを使用してカスタム音響モデルをトレーニングしたら、そのモデルをカスタマイズされた音声認識用に使用できます。

サービスによってカスタム・モデルをトレーニングするのにかかる時間は、そのモデルに含まれている音声データの量に依存します。 一般に、累積音声の長さの 2 倍のトレーニング時間がかかります。 カスタム・モデルの作成に必要な時間と労力は、モデルで使用可能な音声データによって異なります。 また、音声の書き起こしを使用するかどうかによっても異なります。

音響モデル・カスタマイズの入門について詳しくは、以下を参照してください。

文法

文法をサポートする言語とモデル、およびそのサポート・レベル (一般出荷可能またはベータ版) について詳しくは、各言語でのカスタマイズのサポートを参照してください。

カスタム言語モデルを使用すると、サービスの基本語彙を拡張できます。 文法 を使用すると、サービスがこの語彙から認識できる単語を制限できます。 音声認識のためにカスタム言語モデルで文法を使用する場合、サービスはその文法によって認識される単語、句、およびストリングのみを認識できます。 文法では、有効な一致対象を探すための限定された検索スペースが定義されるため、サービスは通常より高速かつ正確に結果を返すことができます。

コーパスの場合と同様に、文法をカスタム言語モデルに追加して、このモデルをトレーニングします。 ただしコーパスとは異なり、音声認識時にカスタム・モデルで文法を使用することを明示的に指定する必要があります。

文法 は、以前のモデルと次世代のモデルでのみ使用できます。 大規模な音声モデルには対応していません。

文法の入門について詳しくは、以下を参照してください。

音響と言語のカスタマイズの併用

音響カスタマイズと言語カスタマイズの併用は、前世代モデルにのみ適用されます。 また、一部の前世代モデルでは、言語カスタマイズと音響カスタマイズの両方がサポートされていません。

カスタム音響モデルのみを使用して、サービスの認識機能を向上させることができます。 ただし、サンプル音声の書き起こしまたは関連コーパスがある場合は、そのデータを使用して、カスタム音響モデルに基づいて音声認識の質をさらに高めることができます。

カスタム音響モデルを補完するカスタム言語モデルを作成することで、これら 2 つのモデルを併用して音声認識を強化できます。 カスタム音響モデルをトレーニングする際は、音声リソースの書き起こしが含まれたカスタム言語モデルを指定したり、それらのリソース内の分野固有の単語の語彙を指定したりできます。 同様に、音声を書き起こす場合、サービスはカスタム言語モデル、カスタム音響モデル、またはその両方のモデルを受け付けます。 ご使用のカスタム言語モデルに文法が含まれている場合は、そのモデルと文法をカスタム音響モデルとともに音声認識用に使用できます。

詳細については 、「カスタム音響モデルとカスタム言語モデルの併用 」を参照してください

カスタム・モデルのアップグレード

音声認識の品質を向上させるため、このサービスでは、ベースとなる大規模音声モデル、前世代モデル、次世代モデルを随時更新しています。 基本モデルに対する更新は、そのモデルにのみ影響します。 この更新は、同じ言語または異なる言語の他のモデルには影響しません。

基本モデルに対する更新は、改善点を利用するために、その基本モデルに基づいて作成されたすべてのカスタム・モデルをアップグレードする必要があります。 アップグレードが必要な基本モデルを更新すると、基本モデルの新しいバージョンが生成されます。 アップグレードを必要としない更新では、新しいバージョンが生成されません。

  • *前世代モデルの場合、*基本モデルに対するすべての更新により、モデルの新しいバージョンが生成されます。 基本モデルの新しいバージョンがリリースされると、改善点を利用するために、更新された基本モデルに基づいて作成されたすべてのカスタム言語モデルおよびカスタム音響モデルをアップグレードする必要があります。
  • 大規模な音声モデルや次世代モデルの場合、ほとんどの更新ではモデルの新しいバージョンは作成されません。 これらの更新では、カスタム・モデルをアップグレードする必要はありません。 ただし、一部の更新では、基本モデルの新しいバージョンが生成されます。 改善点を利用するために、更新された基本モデルに基づいて作成されたすべてのカスタム言語モデルをアップグレードする必要があります。

基本モデルに対するすべての更新、およびアップグレードが必要かどうかは、リリース・ノートで発表されています。

カスタム・モデルをアップグレードした後、音声認識要求でそのモデルを指定すると、サービスはデフォルトで最新バージョンのカスタム・モデルを使用します。 ただし、古いバージョンのモデルを使用するようにサービスに指示することはできます。 カスタム・モデルのアップグレードおよび古いバージョンのモデルの使用について詳しくは、以下を参照してください。