AI 自動翻訳
『時間同期型エンドツーエンドASRモデルにおける探索空間の複雑性と効率の体系的比較』という題名の研究論文が、2026年10月24日付でarXivプレプリントサーバー（番号2610.31259v1）に掲載され、エンドツーエンド自動音声認識（ASR）システムにおける探索メカニズムの効率と複雑性に関する問題に焦点を当てています。
本研究では、接続時系列分類（CTC）とニューラルトランスデューサーの2種類の時間同期型エンドツーエンドASRモデルを比較し、固定幅ビームサーチやスコアに基づく動的プルーニングといった異なるプルーニング戦略および外部言語モデル（LM）の構成下での性能を評価しました。その結果、これらのモデルは多くの時間帯において極めて小さな探索空間で済むにもかかわらず、音声内容が曖昧であったり信号対雑音比が低かったりする不確実性の高い局面では、仮説数が一時的に大幅に増加することが明らかになりました。
研究によると、スコアに基づく動的プルーニング戦略を採用することで、モデルの信頼度に応じて探索範囲をリアルタイムで調整でき、その結果、リアルタイム因子（RTF）が大幅に低下し、デコード効率が向上することが示されています。これに対し、従来の低幅員固定ビームサーチには明確な限界があります。本論文はこれらの知見を踏まえ、エンドツーエンドASRシステム向けの効率的な探索に関する実用的な提案を提示していますが、具体的なデータセットやハードウェア環境、あるいは量化による性能向上の数値については報告されていません。