Romiの音声認識にGoogle CloudのSpeech-to-Textの採用した理由を公開 Google Cloud ブログで
Google Cloudブログ
でRomiの開発メンバーのインタビューを掲載。なぜRomiにGoogle Cloudが提供している「Speech-to-Text」を採用・利用しているのかその理由が明らかにしている。
Romi 事業部開発グループ マネージャーの信田氏は、Romiの基盤の殆どの部分に大手のパブリッククラウドを利用していることを明かした。
その中でも音声認識の部分は技術的にとても重要とし、精度が高いと評判だったGoogle CloudのSpeech-to-Textをプロトタイプでテスト。他社のサービスも試したが結果、Google CloudのSpeech-to-Textの方が良好な結果を得られたため、そのまま採用に至ったと経緯を述べている。
●再度の検討機会があるもGoogle CloudのSpeech-to-Textを継続
Google Cloudブログでは、2022年6月に改めて音声認識エンジンを検討することになったとし、10社ほどの日本語対応の音声認識エンジンを「コスト」「認識精度」「インフラの安定性」という視点でテストを行ったが、Google CloudのSpeech-to-Textが継続してい使用することになったことも明らかした。
このことについて、開発発本部 CTO室 SREグループの坂口氏は50cmから1m程度の距離の入力が最も優れていたと点を挙げるとともに、コストの面でもトリガーワードを設定していないため認識回数が増えてしまうためコスト増に直結していたという点においても、課金単位が「15秒単位」から「1秒単位」と変更となったためコストダウンに繋がったこともGoogle CloudのSpeech-to-Textを継続する後押しの理由に挙げている。
●大規模言語モデルのRomi適用は現実的ではない
一方で今話題となっているChatGPTに代表される大規模言語モデルについて、Romi事業部 BizDev・デザイングループ マネージャーの長岡氏は、「大規模言語モデル注視はしているが応答速度の問題で直ぐにコミュニケーションロボットに使うのは現実的ではない」との考えを示すとともに、現状は実用性重視のためRomiで実現したいコミュニケーションにはなりにくいという点を指摘している。
今後のRomiのAIについては、学習内容を吟味して「Romi」のための学習モデルを作り込んでいく方向であるとしている。
