(SLP11) Voice Search at Google
GoogleのMike Schusterさん．Googleの音声サーチとその他音声グループの活動の紹介．

GOOG-411 → VoiceMailTranscription → Audio Indexing → Voice Search
GOOG-411: 音声による電話番号案内，google mapsがバックエンド
    first generation
        What city/state? →１つの言語モデル
        What business or category? → 30000ぐらいの言語モデル（場所依存）
        学習データ：ビジネスデータベース（古い），Google Mapsクエリ（ミスマッチ），実データ（高価）
    second generation
        最初に一言だけ Say the business, city and state
        言語モデル1個だけ
        ビジネス上の問題
Voice Search
        スマートフォン対象，検索単語を音声で入力
        位置に依存した検索結果
        英語版：GOOG-411データから音響モデル　開発に1年ぐらい 3-10k状態，数千時間分の学習データ
        　　　　google.comのクエリから言語モデル　数年のクエリで700M種類単語
                高頻度語1M，ほとんどの発音を自動推定 最大6-gram 枝刈り前のサイズは100GBぐらい
                デコーダ：WFST
                辞書：読みの例外，言語依存
        セグメンテーション：単語間にスペースを入れるかどうかを統計モデルで決める
        日本語の表記の問題，同音異義語
        Text normalization
インフラ
        ハードウェア：マシン数千台
        ソフト：MapReduce, BigTable, ほか　その他はすべて自作　C++ ときどき Java, Python
        開発プロセス
        システムの複雑さが問題
品質評価
        Voice Searchの場合，検索がうまくいったかどうかわからない
        WebScore measure: 認識結果とリファレンスを両方検索してみて，トップが同じならOK
        WebScore > 50% なら Launch，現在はもっと高性能
運用中
        24/7 で交代で対応
        各種モデルの再学習
        高速化のためのチューニング　ストリーミング，UI
発見されたこと
        VoiceSearchは夕方，夜と週末に多い
        マスメディアが取り上げた後，利用が急上昇
        機械の書き起こしのほうが人間よりよいことがある
        ほとんどの端末では音声入力品質が悪い：人間のための各種信号処理が認識性能を下げる
今後
        Voice Navigation
        Contact Search
        すべてのテキストボックスへの音声入力
その他のサービス
        YouTube Transcription: 自動キャプション付与，翻訳もあり
        Voice Mail transcription