2026年10月22日、国内の東芝は、現場ごとに異なる設備音や警報音、作業者の発話を高精度に認識する二つのAI技術を開発したと発表した。少量の音の見本や利用者の訂正記録を活用し、フィジカルAIの実現に向けた音・音声理解の基盤構築を目指す。
東芝、少量データで設備音検出と専門用語の認識を高度化
今回開発したのは、「Few-shot音響イベント検出技術」と「誤り訂正記録活用型音声認識技術」の二つである。
背景には、製造業や社会インフラの現場における設備監視・保守人材の不足や、熟練者の知識とノウハウを継承する難しさがある。設備の稼働音や警報音、作業者の発話には、設備の異常や作業状況を把握する手掛かりが含まれる一方、現場ごとの違いにAIを適応させるには、多くのデータ収集や追加学習、辞書更新が必要だった。
一つ目の技術は、検出したい音の見本を数個登録するだけで、収録データから該当する音が発生した区間を検出するものだ。あらかじめ多様な音の特徴を学習したAIが、登録された見本と収録データの特徴を比較するため、現場ごとの大量データ収集や追加学習を必要としない。背景雑音の特徴を推定して影響を抑える仕組みも備え、騒音下での検出性能を高めた。公開ベンチマークの評価では、追加学習なしでF値62.35％を達成し、追加学習を行った既存手法に匹敵する性能を確認したという。リアルタイムでの検出も可能だ。
二つ目の技術は、音声認識の誤りと利用者が訂正した正しい表現を記録し、新たな発話の書き起こしに活用する。現在の発話に関連する訂正記録だけを抽出して大規模言語モデル（LLM）に入力することで、処理負荷を抑えながら認識精度の向上を図る。
評価では、比較方式に対してLLMへの入力文の文字数を英語で70.9％、日本語で71.7％削減し、専門用語や固有名詞などの認識に関するF値も改善した。東芝は両技術を、シドニーで開催された国際会議「Interspeech 2026」で発表している。
現場DXと技能継承を後押し 導入効果の検証が普及の鍵に
二つの技術の強みは、現場の変化に合わせて認識対象を柔軟に設定できる点にある。設備や監視目的が変わるたびにAIを再学習させたり、専門用語の追加に応じて辞書を更新したりする負担を軽減できれば、導入準備や日常運用の効率化につながる。異常音の検出から作業記録の作成まで、音に含まれる情報を幅広い業務で活用する道が開けるだろう。
想定される用途は、設備異常検知や警報監視、設備保守、運転監視に加え、作業記録や保守報告書の作成支援、コンタクトセンターの応対記録など多岐にわたる。製造業やエネルギー、社会インフラだけでなく、物流や建設への展開も視野に入れている。現場の音や発話をAIが継続的に理解できるようになれば、熟練者が経験を通じて身に付けた知識を記録し、共有する取り組みも支援しやすくなると考えられる。
一方、実際の導入では、現場ごとの騒音や設備の違いに対して、どの程度安定した認識性能を維持できるかが重要になる。今回示された評価結果は技術的な有効性を示すものだが、個々の現場での運用効果や導入コストまで確定したわけではない。また、訂正記録を活用する仕組みでは、誤った訂正の蓄積や、現場固有の情報を適切に管理することにも注意が必要だ。
今後、実際の設備監視や保守業務で検証が進み、少量データでの適応性と認識精度が両立できれば、AI導入のハードルを下げる可能性がある。
音・音声理解を現場支援の共通基盤へ発展させられるかが、フィジカルAIの実用化と現場DXの進展を左右する焦点となると言える。
