Finstreder：現代の音声認識モデルを用いた有限状態変換器を用いたシンプルかつ高速なスプーケン言語理解

音声言語理解（Spoken Language Understanding: SLU）における課題は、ユーザーがシステムに何を実行してほしいかという意図や、場所、数値など特定のエンティティといった重要な情報を音声コマンドから抽出することにある。本論文では、意図およびエンティティを有限状態変換器（Finite State Transducers）に埋め込むシンプルな手法を提案する。この手法は、事前学習済みの汎用音声認識モデル（Speech-to-Textモデル）と組み合わせることで、追加の学習を一切行わずにSLUモデルを構築可能となる。このモデル構築プロセスは極めて高速であり、数秒で完了する。また、言語に依存しない特性を有している。複数のベンチマークにおける比較実験により、本手法が、よりリソースを消費する他の多数のSLUアプローチを上回る性能を発揮できることを示している。