現場ごとに異なる設備音や発話を高精度に認識できる二つのAI技術を開発 －少量の音の見本データや認識誤りの訂正記録を活用し、フィジカルAIを支える音・音声理解基盤を実現－

東芝は、製造現場や社会インフラで使われる設備音・警報音の検出と、専門用語を含む作業者の発話認識を高精度化する2つのAI技術を開発した。1つ目は、検出したい音の見本を数個登録するだけで、追加学習を行わずに対象音を検出する「Few-shot音響イベント検出技術」。背景雑音の特徴を推定して影響を抑え、リアルタイム検出にも対応する。2つ目は、利用者が音声認識の誤りを訂正した記録を活用する音声認識技術で、現在の発話に関連する訂正記録だけを大規模言語モデル（LLM）に渡すことで、処理負荷を抑えながら専門用語や固有名詞の認識精度を向上させる。評価では、LLMへの入力文字数を日本語で約71.7％削減し、キーワード認識のF値を64.8％から67.3％に改善した。設備異常検知、保守記録の作成支援、現場DXやフィジカルAIの基盤技術として期待される。なお、音響検出の公表評価値は生物音のデータによるもので、設備音での実証値ではない。