多言語ウェイクワードを安定して認識するには？

実際に使えるウェイクワードモデルの学習は、ワンクリックのスクリプトだけでは完結しません。静かな部屋では動いても、話者や端末、背景音が変わると認識が不安定になることがあります。

安定性には、言語ごとのデータ、現実的なデータ拡張、難しいネガティブサンプル、評価、出荷前の品質ゲートが必要です。Voicuteは中国語、英語、日本語、ドイツ語、フランス語、スペイン語、ヒンディー語に対応しています。

安定した認識のための4つの方針

1. 特定の言語に合わない固定済み音声特徴に依存せず、対象キーワードの音響形状と音節の時間順序をモデルに直接学習させます。

2. 言語ごとに話者、発音、環境音、類似音を含むデータと評価素材を用意します。多言語対応は英語の設定を翻訳するだけではありません。

3. 複数話者のTTSに速度、音高、音量、ノイズ、残響の変化を加えます。さらに実録音を追加することで、口調、アクセント、マイクの違いにも適応できます。

4. R0は基本的な召回を確認し、R1は音楽、映像、雑音、通常会話から誤検出につながる難しい負例を集めて再学習します。基準に達しないモデルは出荷しません。

結果と対応環境

統一した社内評価では、多くの納品モデルが98～100%の召回率に達します。これは管理された評価条件での数値であり、すべての話者や環境を保証するものではありません。

モデルはONNX/TFLiteで出力でき、Web、Android、ESP32、Python、Home Assistantでオフライン実行できます。