スピードも精度も世界一。音声AIの技術を支える3つの柱とは

──　単刀直入に聞きます。サウンドハウンドの技術的な優位性はどこにあるのでしょうか？

サウンドハウンドの高い技術力は「1. Speech to Meaning」「2. 12年間にわたる音声認識研究」「3. 自然言語理解のフレームワーク」という3つの柱に支えられているものです。ひとつずつ説明していきますね。

1.　Speech to Meaning

音声検索は、入力された音声をテキストに変換する「音声認識（ASR）」と、そのテキストからユーザーの意図を解釈する「自然言語理解（NLU）」のふたつの技術を組み合わせて行います。

一般的な技術力では、音声認識と自然言語理解は別々のステップに分けて行うしかありません。2段階の処理を行うことになるので、その分時間もかかるし、エラーが積み重なって精度も落ちます。

しかしサウンドハウンドの「Speech to Meaning」の技術は、このふたつの処理を同時に行うことができるのです。すると、必然的にスピードは上がるし、お互いのエラーを補う機能が働くことで精度も上がります。

そのためサウンドハウンドの音声AIの技術は、スピードと精度ともに世界最高クラスに達しているのです。

2. 12年間にわたる音声認識研究

この「Speech to Meaning」の技術を可能にしている大きな要因は、2005年の創業当初から積み重ねてきた音声認識の研究実績です。サウンドハウンドは、事業としてハミングや鼻歌で音楽を検索するサービスを提供しつつ、音声認識の技術力を高める研究開発を地道に行ってきました。

そのため、研究開発とユーザーテストを常に両軸で行うことができたというわけです。この12年間の積み重ねを凌駕できるような技術をもった企業が現れることはおそらくないのではないでしょうか。

3. 自然言語理解のフレームワーク

サウンドハウンドでは自然言語理解のロジックをドメインと呼んでいます。たとえば「天気のドメイン」「地図のドメイン」「ナビゲーションのドメイン」などです。現在120種類以上のドメインが開発されていますが、担当しているチームのメンバーはたったの10人前後。なぜ、ここまで高い開発効率を実現できるかというと、独自のフレームワークを持っているからです。

そして現在、サウンドハウンドの日本法人が行っているのが、日本語のドメインの開発と実装ということになります。

「1. Speech to Meaning」「2. 12年間にわたる音声認識研究」「3. 自然言語理解のフレームワーク」という3つの柱があるからこそ、サウンドハウンドの技術力は世界最高クラスだと胸を張って宣言することができます。

事実、IT分野における世界有数の企業はいまだ「Text to Meaning」、つまり自然言語理解の分野に絞って研究開発を行っています。この現状を鑑みても、音声AIの分野で世界的なイニシアチブをとっていくのはサウンドハウンドだと言えるでしょう。