2015/10/30（金）
朝6時起床。いつも通り朝食を作って食べる。ご飯、つぼみ菜、コーヒー、バナナとヨーグルト。
支度をして、7時過ぎに出発。今回は電車での移動とかもあるので、大きいリュックに全部荷物を詰めての移動。スーツを着たバックパッカーという感じ。
市役所前からバスで仙台駅。
駅は割と空いている。7時53分のはやぶさで東京まで。
新幹線の中では書類を作ろうとタブレットを別荷物にして手元に置いてリュックは棚に上げたのだが、リュックの中に書類作成に必要な資料を入れたままだった。隣にも人が座っていて荷物がとれないので、仕方なく論文の添削など。少し酔ったのか、気分が悪くなる。
9時40分ごろ東京着。
大井町まで移動し、東西線で早稲田まで。
早稲田大では昨日からSIG-SLUDの対話システムシンポジウムをやっており、今日の午後はSLPのディベロッパーズフォーラムがある。昼にはSLPの委員会もあるので、それに出るために来た。
ちょうどSLUDの方では対話システムのデモセッションをやっていた。対話オンリーでもデモセッションで非常に盛り上がっていて、一昔前との違いを感じる。
YahooによるPepper音声対話の展示。音声アシストの枠組みを使ったPepperアプリ。環境雑音のせいか、いまひとつうまく動いていなかった。
歴代のSLP主査対Pepper
早稲田大のSCHEMA。実物は初めて見た。人間3人＋SCHEMAで会話するデモ。やや辛い感じ。
武者型対話ロボットAI-SAMURAI。軍配の先が超指向性マイクになっている。対話の時には軍配を突きつけられる感じでちょっと怖い。ロボット的には、腕を伸ばした状態でホールドしなければならないのでオーバーヒートするらしい。
大阪大がデモっていた小僧さん的ロボットCommU。2台で掛け合いながら人間と対話することで、対話が破綻したときも何とかごまかすことをめざす。
奈良先端からは、対話のためのQAデータベースの応答文の「快適度」を自動推定する研究が出ていた。
タカラトミーのOHaNAS。中身はNTTドコモのしゃべってコンシェルの技術が入っている。
人間が見ているものと同じものをみるクマさんエージェント。
11時50分からSLPの委員会。来年度の運営体制、研究会開催計画などについて話し合った。
13時からSLPのディベロッパーズフォーラム。毎度講演は少ないが、お客さんは満員。
(1) 車載情報機器の音声操作におけるタイムアウト制御の実験的評価
木下 悠，川端 豪(関西学院大学)
カーナビの階層メニューに対する音声認識で，発話が中断した状態からスムーズに復帰するために，音声対話のタイムアウト（ある階層で有効な語彙を，その先どこまで有効にするか）の制御を行う。タイムアウトが０なら，次の階層に映った時に前の語彙は無効になる。タイムアウトが∞なら，上の階層の語彙は最後まで有効になる。提案法では，下の階層に降りた直後にはその階層の語彙だけ有効だが，再発話時にはそれより上のすべての階層の語彙が一定時間だけ有効になるというもの。実験では，WERはタイムアウト０の場合が最低。タスク達成率は，タイムアウト１秒あたりで最大になる。
(2) 音声認識を用いた講義・講演の字幕作成・編集システム
秋田 祐哉，三村 正人，河原 達也(京都大学)
音声認識による字幕作成システム。専門的な内容が認識できるように，音声コンテンツと，コンテンツにあった予稿などのデータをサーバにアップロードすると，認識結果が送り返されてくる。利用者はそれを字幕エディタで編集して配信する。コンテンツ登録時に音響モデルなどを選ぶことができる。認識結果に対しては秋田先生の方法による整形・句読点挿入を行う。字幕エディタで修正にかかった時間と字幕の文字誤り率の関係など。最終的な制度はだいたい90％弱。また，リアルタイム字幕作成・ノートテイクのためのシステム利用について。実際に情報処理学会のSIG-AACで使っており，今回の研究会でも同システムを利用して字幕を配信している。
(3) HTML5対応クラウド音声認識プラットフォーム
鎌土 記良，藤村 滋(NTT)，岩瀬 義昌(NTTコミュニケーションズ)，青野 裕司，政瀧 浩和，山田 智広(NTT)，大津谷 亮祐(NTTコミュニケーションズ)
最初にHTML5とその動向の紹介。HTML5によるリアルタイム音声認識において，本当にリアルタイム収音・信号処理が可能なのか。最近のJavaScriptでは，JSをネイティブコードに変換して実行。CやC++の1.5〜2倍程度の所要時間で動く。離散ブリング，音声符号化などは非常に高速に実行できる。リアルタイム収音については，ブラウザでの音の処理がシングルスレッドであるために，レンダリングなどの負荷によって処理落ちが発生する。検証結果では，Chrome, Firefox, Operaではそこそこ動く。IE, Safari, Android Browserでは動かない。
最後にNTT Communicationsと共同開発したSkyWayのデモ。
休憩の後、特別講演。GoogleのMike SchusterさんによるGoogleの開発体制のお話。
◇ [14:45-15:45] 招待講演 ◇
(4) Examples of Machine Learning R&D at Google
Mike Schuster (Google)
前半はGoogleでの音声認識(Google Voice Search)について。最初は音声関係が12人で始まった(2005)とか。
Voice Search。音響モデルは各言語1000時間程度で，モデルは最初はGMM-HMM，最近はDNN-HMM（もっと最近はLSTM）。
日本語・中国語などのための単語分割器を自前で実装。同じ単語が複数の文字表記で書かれるのも問題。
発音については日本語が特に難しい（表記から発音の推定）。
テキスト正規化（xbox 360 8mb -> x box three sixty eight megabytes)，URL読み上げ
文字言語と音声言語。書き起こし結果をどちらで表示するのか。入手しやすさの問題。
利用可能なインフラ。1000台以上の並列マシンとMapReduceやBigTableなどのインフラソフトウェア。それ以外は全部内製。ほとんどはC++だがJavaやPythonもあり。
サービスローンチ後の問題。99.9999%稼働が目標。AM,LM，辞書は常にアップデートが必要
利用数は毎年100%以上の伸び。Voice searchのトラフィックは，英語・日本語・韓国語の順に多い。
人間の書き起こしよりもシステムの方が正確なので現在は人間の書き起こしを使っていない
今後の開発。コンタクトサーチ（名前の認識が難しい），すべてのテキストボックスへの音声入力，ナビゲーション，ハンズフリー認識(OK Google)，システムの簡略化（OOV対応，統一的にモデルを学習する枠組み）
秘密はないが，重要なこと
・音声はそれほど難しくない。詳しい人が数人いればよい
・最初はうまく動かない。継続的な改良が不可欠
・複雑さを避け，データからすべて学習する
後半はGoogle Brain。Google でのニューラルネットワークの利用。2011年頃から開始
ミッション。巨大なニューラルネットワークを学習するインフラを作ること。研究には速度と使いやすさが絶対必要
Large Scale Distributed Deep Networks J. Dean et al. @NIPS 2012
現在はさまざまなGoogleのインフラがGoogle Brainを使っている。70名程度のスタッフがいる
利用可能なデータ。膨大なテキスト，画像・ビデオ，オーディオ，ユーザ行動データ（検索など），知識グラフ
テキスト理解。言語は何か，質問かどうか，ある質問への答えか，感情極性は，etc.
並列処理。モデルの並列化（モデルの異なる部分が別のマシンで動く）とデータの並列化。プロセス内並列，複数マシンに渡る並列，同期/非同期
さまざまなモデル構造。系列モデルはRNN/LSTMでモデル化。言語モデルのための計算の最適化
RNNによる大規模LM。800万語彙のLM。パラメータ数2000億ぐらい
系列から（次の１単語だけでなく）系列を予測するNN。機械翻訳に使える。English to Frenchで現在の最新結果を超える。Chatbotへの応用。
LSTMによる構文解析。
画像からのキャプション生成。
双方向系列モデル。
注意モデル。長い系列を処理するときにすべての部分の状態を保持することを避ける
音声認識の簡略化
Listen, Attend and Spell, Chen+, arXiv.org
今後
・より大規模，高速で柔軟なソフトウェア
・モデル化による簡略化
・プロダクトグループへの協力
・良い人材を確保
質疑の中で出た「将来的にすべての言語を１つのモデルで認識できるようにする」という話がカッコイイ。
講演後、まだセッションが1つあるのだが、ここでセッションを抜けて羽田空港に向かう。
東西線、都営浅草線、東京モノレールを乗り継ぐ。
17時ちょっと前に羽田空港国際線ターミナル。ハロウィンの割に空いている。
チェックインしようと思ったが、ちょうどいまチェックインが始まったところで、結構混んでいる。
まず他のことをしようと言うことで、まず外貨両替。今回は人民元と米ドルとウォンが必要なのだが、とりあえず人民元とドルを買う。
ちょっと具合が悪いので、気合いを入れるために何か食べようと思い、ショップ街をうろつく。結局つけ麺。具合の悪いからだに優しかったかどうかは謎。
そこからチェックインに並ぶ。列はぜんぜん短くなってない。
30分ほど並んでチェックイン完了。今回は預ける荷物はない。そのままセキュリティゲートを通って出国。
搭乗開始まで40分ぐらいあるので、カフェでコーヒー飲みながら仕事。18時50分ごろ搭乗ゲートへ。
そこで少し待って、19時ぐらいに搭乗。
通常ならここで寝るところだが、寝付けずそのまま起きている。隣は親子で、母親は中国人だが子供は日中バイリンガルのようだ。
その前の席には西洋人っぽい女が座っていて、髪を上げてかんざしで止めているのだが、そのかんざしがどう見ても 箸 。先端にはおかずがつまみやすいギザギザがついている。まあそれも個性的なおしゃれだと言えばそうかもしれないが。
（そういえば箸と簪って字が似てるよね）
最初に飲み物が配られる。アルコールを飲む気分じゃないのでトマトジュースをもらう。しばらくして料理がきたので、魚料理の方をもらう。焼き魚定食にのりまきが付いている米アンド米定食。
そのあと少し日記を書いたりぐったりしたりする。
22時30分着の予定だったのだが、15分ほど早く着陸。
入国も早くて、特に問題なくシャトルで到着ターミナルへ。
今回は荷物を預けていないので、バゲッジクレームはスルー。なんか変なのがいた。
到着ロビーに出たところで鵜木先生と合流。
他にJAISTの学生4名と合流するはずなのだが（私と同じ飛行機に乗っていた）、荷物が出るのが遅いのか、なかなか出てこない。30分以上待って、ようやく合流。タクシーでホテルまで。
ホテルまで1時間ほど。ホテルに着いたのは結局12時過ぎだった。
部屋に入って、とりあえず機器を充電だけして、後は寝る。
前の日へ 目次へ 次の日へ