2026-04-21T11:18:04Z https://ipsj.ixsq.nii.ac.jp/oai

oai:ipsj.ixsq.nii.ac.jp:00232543 2025-01-19T10:24:47Z 1164:5159:11541:11549

音声処理オープンソースツールキットESPnetの現在と未来 林, 知樹 招待講演 SLP ESPnetは，End-to-End (E2E) 型のモデルの研究を加速させるべく開発された，E2E 音声処理のためのオープンソースツールキットである．2018 年にリリースされた ESPnet1 では，ハイブリッド方式の音声認識ツールキットである Kaldi の代替が主な目的であった．しかし 2024 年現在では，2020 年の ESPnet2 への進化を経て，音声認識だけに留まらず，テキスト音声合成，歌声合成，音声強調，音源分離，音声翻訳，話者ダイアライゼーション，またはその組み合わせなど，10 種類以上もの音声処理タスクをサポートしている．また，Kaldi の伝統を受け継いだ再現実験のためのレシピも年々拡充されており，現在では 180 以上の音声コーパスに対する 250 以上のレシピが用意されている．本講演では，これまでの開発の歴史を振り返りながら，現在の ESPnet で実現出来ることを概説し，Open Whisper-style Speech Model (OWSM) などの最近の開発トピックや今後の計画についても紹介する． technical report 情報処理学会 2024-02-22 application/pdf 研究報告音声言語情報処理（SLP） 73 2024-SLP-151 1 1 2188-8663 AN10442647 https://ipsj.ixsq.nii.ac.jp/record/232543/files/IPSJ-SLP24151073.pdf jpn