Apple ML Researchは2026年8月(現地時間)、マンダリン中国語と英語が混在する発話内言語切り替え (Code-Switching: CS) の自動音声認識 (Automatic Speech Recognition: ASR) において、新たな学習手法を発表した。この手法は、限られた訓練データというCS-ASRの課題に対応するため、ラベル付けされていない大規模な音声データを活用し、反復的な擬似ラベリング訓練を通じて認識精度を高めるアプローチをCS-ASRに初めて適用したものである。
Apple ML Researchが発表したこの新しい学習手法は、Progressive Refinement: An Iterative Pseudo-Labeling Approach for Mandarin-English Code-Switching ASRと題されており、マンダリン中国語と英語の混在発話における自動音声認識 (ASR) の精度向上を目指すものだ。特に、コードスイッチング (Code-Switching: CS) データセットが限られているというASR研究における長年の課題に対処するため、ラベル付けされていない大規模な音声コーパスの潜在能力を引き出すことに焦点を当てている。
この革新的なアプローチは、主に3つのフェーズで構成される。まず、大規模な未ラベルコーパスから初期の擬似ラベルを生成する。このプロセスによって、半教師ありデータセットが構築され、モデルの初期訓練に利用される。次に、このデータセットを用いて2段階のバイリンガルモデル訓練が実施される。具体的には、モデルはまず事前訓練フェーズで基本的な言語特性を学習し、その後、教師ありCSデータを用いてファインチューニングされることで、特定のCSパターンへの適応能力を高める。
最終フェーズでは、モデルの精度をさらに高めるための反復的改善が繰り返される。この反復サイクルでは、モデルが生成する擬似ラベルの信頼度を評価し、信頼度の高いラベルのみを選別して再訓練に用いることで、複雑なCSシナリオにおける認識能力を継続的に強化する。この手法は、従来の教師あり学習では捉えきれなかった、より多様なCSパターンを学習する機会をモデルに提供するとされる。
研究チームは、この手法がコードスイッチング自動音声認識システムの進歩に大きく貢献することを示しており、評価実験では顕著な性能向上が確認された。具体的には、主要なベンチマークデータセットであるSEAMEのdevmanサブセットにおいて複合エラー率 (Mixed Error Rate: MER) を6.35%削減し、devsgeサブセットではMERを8.29%削減することに成功した。これらの結果は、提案手法が実用的なCS-ASRシステムにおいて高い有効性を持つことを裏付けている。
本研究の著者には、National University of SingaporeのQu Yang氏が含まれており、同氏はこの研究をApple在籍中に実施した。Apple ML Researchは以前にも、低リソース言語におけるクロスリンガル知識転送と反復擬似ラベリング、および音声の結合転写・翻訳におけるアウトオブディストリビューションデータを用いた擬似ラベリングに関する研究を発表しており、今回の成果は同分野における継続的な取り組みの一環として位置づけられる。
参考: Apple ML Research (アーカイブ) — 2026年8月20日 09:00 (JST)
原文ハイライト"Progressive Refinement: An Iterative Pseudo-Labeling Approach"