Appleは2026年7月5日(現地時間)、機械学習研究ブログ「Apple ML Research」において、自動音声認識（ASR）のエラー修正に関する研究論文を発表した。同研究は、従来の言語モデルが抱える課題に対し、コンパクトなseq2seqモデルを用いたアプローチを提示している。このモデルは、実音声および合成音声から生成されたASRエラーで訓練されており、低遅延で高精度な修正を実現する。
ASRにおける言語モデルは中心的な役割を果たすものの、多くの手法はASRのエラーパターンを認識しないテキストのみのモデルに依存していた。また、大規模言語モデル（LLM）のASR修正への適用は、レイテンシーとハルシネーション（誤情報生成）の問題を引き起こす。
Appleの研究では、これらの課題に対し、ASRエラー修正に特化したコンパクトなseq2seqモデルを再検討した。このモデルは、実音声と合成音声からのASRエラーで訓練されている。トレーニングを大規模化するため、カスケード型TTS（Text-to-Speech）とASRを介して合成コーパスを構築し、現実的なエラー分布の多様性と一致させることが重要であると結論付けた。
同研究は、修正優先デコーディング（correction-first decoding）を提案する。この方式では、修正モデルが候補を生成し、ASRの音響スコアを用いて再スコアリングする。このモデルは、LLMと比較して15分の1のパラメーター数で、LibriSpeech（ライブラリスピーチ）のtest-clean/otherにおいてそれぞれ1.5%/3.3%の単語誤り率（WER）を達成した。また、LLMを上回り、CTC、Seq2seq、Transducerなどの様々なASRアーキテクチャや多様なドメインにわたり汎用性を示し、LLMが苦手とする低エラー領域でも正確な修正を提供するとされている。
参考: Apple ML Research (アーカイブ) — 2026年7月6日 09:00 (JST)
原文ハイライト"We revisit ASR error correction with compact seq2seq models"