情報通信研究機構（NICT）は2018年10月18日、人の発話が何語であるのかを入力音声のみから識別する、8言語（日・英・中・韓・タイ・ミャンマー・ベトナム・インドネシア）対応の言語識別技術を開発したと発表した。
発表した言語識別技術では、言語識別に必要な発話の特徴を精度よく抽出しすることに加え、高速演算できるニューラルネットワークを提案し、1.5秒程度の短い発話でも0.15秒以内に識別する。これにより、何語を話しているか分からない外国人の言葉も即座に識別し、言語設定は不要で音声認識や自動翻訳ができるようになる。
NICTでは、多言語音声認識・機械翻訳・音声合成の研究開発に取り組んでおり、スマートフォン用アプリケーション「VoiceTra」を実証実験のために無料公開している。音声アプリケーションの大半は、入力される言語が何語であるかをあらかじめ指定する必要がある。また、相手が話している言語がわからない場合には、何語かを指定すること自体が困難だった。
これを解決する方法としては、入力発話が何語なのかを識別する言語識別技術がある。従来の一般的な方式では、10秒程度の長い発話でないと識別が困難であるため、実際の音声アプリケーションでは使いにくいという課題があった。
NICTは、この課題を解決するために「知識蒸留」を用いて、言語識別に必要な発話の特徴を精度よく抽出できる、長い発話用のニューラルネットワークを変換して、短い発話でも識別精度が高く、かつ、リアルタイムで識別可能な小規模ニューラルネットを構築する方式を提案した。
この方式により、1.5秒程度の短い発話でも即座（0.15秒）に識別できる技術を開発し、8言語（日・英・中・韓・タイ・ミャンマー・ベトナム・インドネシア）で90％以上の識別率を実現したとしている。
同技術によって、これまで必要であった入力言語の事前指定が不要となるため、何語を話しているかわからない外国人の言葉も即座に識別し、音声認識・機械翻訳ができるようになる。
NICTは今後、識別言語数の拡張、識別精度の向上を図るとともに、同機能をVoiceTraなどの音声翻訳アプリケーションに実装するという。また、民間企業にもライセンスする予定だ。
