日本から世界へ会話を創る – サムスン グローバル ニュースルーム

サムスンリサーチインジャパンは、モバイルAIの民主化を支える人々とイノベーションに関するシリーズの一部です。

SamsungがプレミアムなモバイルAI体験を開拓し続ける中、私たちは世界中のSamsung Research Centerを訪問し、Galaxy AIがどのようにより多くのユーザーの潜在能力を最大限に引き出しているかを学びました。Galaxy AIは現在16の言語をサポートしており、ライブ翻訳、通訳、メモアシスト、ブラウジングアシストなどの機能によるデバイス内翻訳により、オフラインでもより多くの人々が言語能力を拡張できます。しかし、AI言語開発には何が含まれるのでしょうか？前回訪問した ポーランド ヨーロッパ諸国が目標を達成するためにどのように協力しているかを知るためです。今回は、開発者が常に新しいシナリオやユースケースに適応している様子を見るために日本を訪れました。

サムスンR&Dインスティテュートジャパン（SRJ）は、家電やディスプレイなどハードウェアを中心とした研究開発拠点として設立された。世界的にAIイノベーションの需要が高まる中、横浜のSRJでは昨年末から、音声通話をリアルタイムで自動翻訳するギャラクシーAIのライブ翻訳を開発するソフトウェア開発ラボも運営している。

「ライブ翻訳 「今年のパリオリンピックの訪問者のような旅行のシナリオでは、音声認識は特に効果的です」とSRJの人工知能部門責任者である赤迫隆之氏は言います。「現在、パリオリンピックを観光しながら観戦する人向けの音声認識プログラムを開発しています。音声認識プログラムをトレーニングして、パリ2024の競技やスタジアムの場所について学習させています。」

音声認識におけるコンテキストの理解

Galaxy AI の翻訳機能をすでに使用している人にとっては、こうした機能は非常に便利に思えるかもしれません。しかし、この機能を実現した開発者は、海外旅行中にコミュニケーションが取れることは当然のことではないことを知っています。

研究チームが注目したことの1つは、日本語には他の言語に比べて同音異義語が多いということだ。例えば、「箸」と「橋」はイントネーションの違いから比較的簡単に区別できるが、「観光」、「慣習」、「公共」、「好況」などの単語は文脈に基づいて判断する必要がある。

「地名や人名、固有名詞、方言、数字など文脈が曖昧だと判断が難しくなります」と赤迫氏は言う。「そのため音声認識の精度を上げるには大量のデータが必要なのです」

「私たちは常に、重要なイベントや瞬間に合わせて AI モデルをタイムリーに微調整する方法を模索しています」と赤迫氏は続けます。「地名とアクティビティの新しい組み合わせが多数あるため、人々が Galaxy AI を使用する際にコンテキストが明確であることが重要です。」

効率的なデータ収集における課題

必要なデータの種類を認識することも重要ですが、データの収集自体も課題となります。

これまで、SRJ チームは人間が録音したデータを使用して Live Translate の音声認識エンジンをトレーニングしていましたが、十分なデータ収集には至りませんでした。

同社の大規模言語モデル (LLM) である Samsung Gauss は、スクリプトを使用して、各シナリオに関連する単語やフレーズを含む文章を構成します。Samsung Gauss で収集されたデータは、人間によって録音されるだけでなく、音声合成テキスト読み上げ (TTS) データによっても生成され、それを通じて人間が品質の最終チェックを行います。この方法を使用することで、チームはデータ収集の効率が劇的に向上したことを確認しました。

「問題が特定され解決されるたびに、音声認識の精度は大幅に向上します」と赤迫氏は語る。「人々がどこにいても、お互いを繋ぐことが私たちの目標であり、Galaxy AI を搭載したツールは、より楽しく効率的なコミュニケーションを保証します。」