東芝は2026年10月22日、数個の音の見本から対象音を検出する「Few-shot音響イベント検出技術」と、過去の訂正履歴を活用して専門用語などの認識を改善する音声認識技術を発表した。後者の評価では、大規模言語モデル（LLM）への入力文字数を約7割削減した。（資料画像）
今回のニュースのポイント
株式会社東芝は2026年10月22日、音に関する二つのAI技術を発表しました。一つは、数個の音の見本を与えるだけで追加学習なしに対象音の発生区間を検出する「Few-shot音響イベント検出技術」で、公開ベンチマークでF値62.35％を達成しました。もう一つは、過去の誤認識と訂正記録を抽出しLLMへ渡す「誤り訂正記録活用型音声認識技術」で、専門用語などの認識改善とLLMへの入力文字数約71％削減を実現しました。
本文
株式会社東芝は2026年10月22日、人工知能（AI）を用いた音響・音声処理に関する二つの先進技術を開発したと発表しました。
発表されたのは、対象とする音の見本を数個用意するだけで特定の音を捉える「Few-shot音響イベント検出技術」と、過去の誤り訂正履歴を活用して専門用語などの認識精度を高める「誤り訂正記録活用型音声認識技術」です。両技術とも、少数のデータや既存情報を効率的に利用してAI処理を高度化・軽量化する研究成果であり、音声・音響認識分野の国際会議「Interspeech 2026」にて研究成果が発表されました。
1つ目の技術である「Few-shot音響イベント検出技術」は、検出したい対象音の見本データを数個入力するだけで、長時間の音声データやストリーミングデータの中からその音が発生した時間区間を特定する技術です。従来の技術とは異なり、新たな対象音を登録する際に対象音ごとの追加学習（再学習）を必要とせず、リアルタイムでの検出にも対応する柔軟性を備えています。
同社が生物の鳴き声を対象とした国際的な公開ベンチマークデータセット（DCASE 2024 Task 5）を用いて本技術の性能を評価したところ、適合率と再現率の調和平均を示すF値で62.35％を達成しました。なお、この評価結果は公開ベンチマーク上のデータに基づくものであり、工場等の異常音検知における実証結果ではない点に留意が必要です。
2つ目の技術である「誤り訂正記録活用型音声認識技術」は、音声認識システムが過去に犯した認識ミスと人間による正解訂正の履歴データベース（訂正ログ）を利用するアプローチです。過去の訂正記録をすべて大規模言語モデル（LLM）に入力するのではなく、発話内容に関連する重要な訂正記録のみを抽出して提示することで、専門用語や固有名詞の認識精度を向上させます。
性能評価において、本技術の導入によりキーワード認識のF値は英語で83.6％から85.6％へ（2.0ポイント改善）、日本語で64.8％から67.3％へ（2.5ポイント改善）向上しました。さらに、発話との関連性による選別を行わず直近の訂正記録を利用する比較方式に対し、LLMへの入力文字数を英語で70.9％、日本語で71.7％削減しました。この削減率はあくまでLLMへ渡すテキストの入力文字数に関するものであり、音声データ量や処理時間、モデル全体の学習データ量の削減率を示すものではありません。
東芝は、少数の見本で動作する音響イベント検出技術について製造現場での異音検知や社会インフラ監視などへの応用を見込むほか、音声認識技術については医療・プラント・製造などの専門用語が多用される業務現場への展開を視野に入れています。ただし、今回の発表は要素技術の研究開発成果であり、現時点で商用製品としての発売や実現場への導入実績が決定・確定したものではありません。今後は、より複雑な環境下での技術検証や具体的な製品・サービスへの適用に向けた開発が注目されます。（編集担当：エコノミックニュース編集部／Editorial Desk: Economic News Japan）
