Slide 1

Slide 1 text

NEURAL KANA‒KANJI CONVERSION 第59回 情報科学若手の会 ニューラルかな漢字変換の 仕組みと運用 三輪敬太 Turing株式会社

Slide 2

Slide 2 text

Miwa Keita Turing株式会社 / 未踏IT2024スーパークリエータ 日本語入力システム「azooKey」開発(2020〜) 2024年度未踏IT人材発掘・育成事業スーパークリエータ認定 現在はTuring株式会社でE2E自動運転モデルの開発に従事

Slide 3

Slide 3 text

01 / 日本語入力という課題 「かな漢字変換」という問題 日本語入力のプロセス キーボード入力 kanji かな漢字変換 漢字交じり文 漢字 日本語話者のコンピュータの利用において、事実上必須 03 / 45

Slide 4

Slide 4 text

01 / 日本語入力という課題 「かな漢字変換」という問題 日本語入力のプロセス キーボード入力 kamitokasu かな漢字変換 漢字交じり文 1. 神と化す 2. 髪とかす 場合によっては一意に定まらない 04 / 45

Slide 5

Slide 5 text

01 / 日本語入力という課題 なぜ、いま、かな漢字変換なのか? 問題の大きさ 日本語話者がコンピュータを利用する上で必須の技術であり、日本語の自然 言語処理では事実上最も普及していると言っても過言ではない。 この領域における改善は、日本語話者全体の生産性の改善につながる。 関心の小ささ それにもかかわらず、今日、かな漢字変換の研究はほとんど行われていない。 爆発的な自然言語処理技術の発展を受けても、それをかな漢字変換に導入す る試みは限定的である。 →かな漢字変換の新しいパラダイム「ニューラルかな漢字変換」の話をします 05 / 45

Slide 6

Slide 6 text

02 / 統計的かな漢字変換 かな漢字変換タスクの定式化 かな漢字変換 ŷ = arg max p(y ∣ x) y キーボード入力 漢字交じり文 aruku 歩く xはユーザの入力、yは出力される日本語文 06 / 45

Slide 7

Slide 7 text

02 / 統計的かな漢字変換 かな漢字変換と機械翻訳 かな漢字変換 機械翻訳 ŷ = arg max p(y ∣ x) ŷ = arg max p(y ∣ x) y y キーボード入力 漢字交じり文 英語 日本語 aruku 歩く walk 歩く xはユーザの入力、yは出力される漢字交じり文 xは翻訳元言語、yは翻訳先言語 07 / 45

Slide 8

Slide 8 text

02 / 統計的かな漢字変換 統計的機械翻訳と統計的かな漢字変換 統計的かな漢字変換 統計的機械翻訳 言語モデル かな漢字モデル p(y) ⋅ p(x ∣ y) p(y ∣ x) = p(x) xはユーザの入力、yは出力される漢字交じり文 [1] 森ら(1999) / [2] Brown et al.(1990) 言語モデル ⇄ 翻訳モデル p(y) ⋅ p(x ∣ y) p(y ∣ x) = p(x) xは翻訳元言語、yは翻訳先言語 08 / 45

Slide 9

Slide 9 text

02 / 統計的かな漢字変換 統計的かな漢字変換の仕組み(Mozcの事例) 統計的かな漢字変換 言語モデル かな漢字モデル p(y) ⋅ p(x ∣ y) p(y ∣ x) = p(x) ŷ = arg max p(y) ⋅ p(x ∣ y) y 言語モデル 130億文規模のWebコーパスに基づ くクラスbigram言語モデルで表現。 かな漢字モデル 単語-読みユニグラムモデルで表現。 全体 ŷ = arg max y [3] 工藤ら(2011) ∏ P(ri ∣ wi)P(wi ∣ ci)P(ci ∣ ci−1) i かな漢字モデル 言語モデル 09 / 45

Slide 10

Slide 10 text

02 / 統計的かな漢字変換 統計的かな漢字変換の仕組み(Mozcの事例) 全体 ŷ = arg max y ∏ i −log P(y,̂ x) = P(ri ∣ wi)P(wi ∣ ci)P(ci ∣ ci−1) 単語生起コスト 遷移コスト −log P(ri ∣ wi) − log P(wi ∣ ci) − log P(ci ∣ ci−1)] [ ∑ i つまり…… path cost = node costi + transition costi−1,i) を最小化する問題 ( ∑ i 10 / 45

Slide 11

Slide 11 text

02 / 統計的かな漢字変換 統計的かな漢字変換の仕組み(Mozcの事例) つまり…… path cost = node costi + transition costi−1,i) を最小化する問題 ( ∑ i 動的計画法(Lattice + Viterbi Algorithm) 上記の最良経路探索をViterbi Algorithm の利用によって高速に解決できる。これ により、Mozcの事例ではモデル上の厳密 解を得ることが可能である。 11 / 45

Slide 12

Slide 12 text

02 / 統計的かな漢字変換 統計的機械翻訳と統計的かな漢字変換 統計的かな漢字変換 統計的機械翻訳 言語モデル かな漢字モデル p(y) ⋅ p(x ∣ y) p(y ∣ x) = p(x) xはユーザの入力、yは出力される漢字交じり文 [1] 森ら(1999) / [2] Brown et al.(1990) 言語モデル ⇄ 翻訳モデル p(y) ⋅ p(x ∣ y) p(y ∣ x) = p(x) xは翻訳元言語、yは翻訳先言語 12 / 45

Slide 13

Slide 13 text

03 / ニューラルかな漢字変換 ニューラル機械翻訳とニューラルかな漢字変換 ニューラルかな漢字変換 ニューラル機械翻訳 直接モデル化する 直接モデル化する p(y ∣ x) xはユーザの入力、yは出力される漢字交じり文 [4] Sutskever et al.(2014) ⇄ p(y ∣ x) xは翻訳元言語、yは翻訳先言語 13 / 45

Slide 14

Slide 14 text

03 / ニューラルかな漢字変換 ニューラルかな漢字変換 ニューラルかな漢字変換 自己回帰によって表現 p(y ∣ x) = ∏ t p(yt ∣ x, y

Slide 15

Slide 15 text

03 / ニューラルかな漢字変換 条件付き言語モデルによるかな漢字変換 入力 カ ン ジ 漢 字 Autoregressive Generation Transformer LM 漢 字 自己回帰Transformerによる言 語モデリングでは、系列全体を 参照して次トークン予測を行 い、逐次的に出力を生成する (大規模言語モデル等と同様) 15 / 45 出力

Slide 16

Slide 16 text

03 / ニューラルかな漢字変換 条件付き言語モデルによるかな漢字変換 左文脈 木 を 入力 キ ル 切 る Conditional Generation 文脈全体を参照できるた め、入力以外の文脈情報な ども含めた様々な条件づけ が可能。 Transformer LM 切 る 16 / 45 出力

Slide 17

Slide 17 text

03 / ニューラルかな漢字変換 ニューラルかな漢字変換 End-to-End ニューラルかな漢字変換 複数の手設計モジュールを作るのではなく 直接モデル化する p(y ∣ x) x → y を表現するモデルを直接学習 Full-context 入力全体を参照し、人間の設計による情報 ボトルネックを回避しつつ任意の条件付け を可能にできる 17 / 45

Slide 18

Slide 18 text

03 / ニューラルかな漢字変換 ニューラルかな漢字変換(GPT-4) GPT-4は初めてゼロショットで高いかな漢字変換能力を発揮したLLM。 18 / 45

Slide 19

Slide 19 text

03 / ニューラルかな漢字変換 ニューラルかな漢字変換 Why Not? 19 / 45

Slide 20

Slide 20 text

03 / ニューラルかな漢字変換 日本語入力システムの制約 応答性 ニューラルかな漢字変換 直接モデル化する p(y ∣ x) 人間の許容可能な速度での応答が必要。 具体的には、キー入力から変換の完了まで に50ms以上かかると遅延を感じる。 常に他のアプリケーションと同時に利用され るため、利用可能な計算資源に制約がある。 プライバシー 外部ネットワークへの情報送信は基本的に出 来ない。 20 / 45

Slide 21

Slide 21 text

04 / Zenzai の仕組みと高速化 ニューラルかな漢字変換システム Zenzai ニューラルかな漢字変換システム Zenzai 🤖 GPT-2ベースの 条件付き言語モデル 変換精度 GPT-2によるニューラルかな漢字変換を導入し、 従来手法に比べ高い精度の変換を実証。 左文脈情報の活用にも成功。 応答性 投機的 デコーディング Powered By 統計的かな漢字変換 投機的デコーディングを含む最適化手法を利用し オンデバイス推論で50msの応答性を担保。 21 / 45

Slide 22

Slide 22 text

No content

Slide 23

Slide 23 text

04 / Zenzai の仕組みと高速化 モデルの学習 アーキテクチャ 文字レベルGPT-2(91M)を利用。Webデータなどを中心に読み推定を行っ た、約1.3億ペアから構成されるデータセットで学習。 必要なデータ 読みと漢字の対照コーパス。通常の日本語テキストデータに、読み推定をかけて 合成する。 この合成に比べるとアーキテクチャなどは些事であり、いかにクリーンな対照 データを手に入れるかがずっと課題。 →これらの設定で、後述の評価で高い精度を達成。従って高速に動かせればOK。 23 / 45

Slide 24

Slide 24 text

04 / Zenzai の仕組みと高速化 投機的デコーディング LLMの世界で利用される高速化技術。 [5] Li et al.(2025) 24 / 45

Slide 25

Slide 25 text

04 / Zenzai の仕組みと高速化 投機的デコーディング 投機的デコーディング Speculative Decoding 🤖 ニューラル言語モデル zenz 清書担当 [6] Leviathan et al.(2023) 1 統計的かな漢字変換 システム ドラフトモデル 下書き担当 LLMの世界で利用される高速化技術。 「CPUで動く軽量な主流手法がある」という かな漢字変換の事情に合わせて調整。 軽量で高速だが精度は十分でない統計的かな漢字 変換システムを下書きに利用。 重く低速で賢いニューラルモデルでこの下書きを 検証し、受理または拒否。 25 / 45

Slide 26

Slide 26 text

04 / Zenzai の仕組みと高速化 投機的デコーディング 左文脈 午 後 入力 2 ドラフト ジ 2 時 正しいドラフトが得られ た場合、推論1回で並列 に検証可能 GPT-2 2 時 26 / 45 受理

Slide 27

Slide 27 text

04 / Zenzai の仕組みと高速化 投機的デコーディング 左文脈 漢 字 入力 2 ドラフト ジ 2 時 ドラフトに誤りがある場 合、誤りの前までを受理 し、「2字」で始まるド ラフトを再度要求 GPT-2 2 字 27 / 45 受理 拒否

Slide 28

Slide 28 text

04 / Zenzai の仕組みと高速化 投機的デコーディング 左文脈 漢 字 入力 2 ドラフト ジ 2 字 「2字」が受理さ れるので、変換結果は 「2字」で確定。この場 合は推論2回。 GPT-2 2 字 28 / 45 受理

Slide 29

Slide 29 text

04 / Zenzai の仕組みと高速化 そのほかの最適化 逐次処理最適化 投機的デコーディング Speculative Decoding 🤖 ニューラル言語モデル 1 統計的かな漢字変換 システム zenz ドラフトモデル 清書担当 下書き担当 ユーザは通常1文字ずつ入力し、適当な区切りで 打ち止める。区切りに至るまでの間に計算をうま く均すことにより、入力あたりの遅延を低減。 量子化・推論最適化 一般的なKVキャッシュや量子化などの枠組みは 当然利用。KVキャッシュがヒットしやすい入力 設計を実施。 29 / 45

Slide 30

Slide 30 text

05 / 評価とベンチマーク 評価ベンチマークの構築 かな漢字変換では、業界標準のベンチマークが 特に存在しなかった。 そこで、独自の評価ベンチマークとして AJIMEE-Benchを導入。 Wikipediaの入力誤りデータセットからサンプ リングした誤り例に対して人手で許容解を列挙 し、全200問を準備。 30 / 45

Slide 31

Slide 31 text

05 / 評価とベンチマーク 評価ベンチマークの構築 91MモデルでもGoogle日本語入力を大 きく上回り、300Mモデルでは当時のフ ロンティアLLM級の最高性能を達成。 特化型モデルなら、フロンティア級LLM と同等かそれ以上の性能のかな漢字変換 が、ずっと少ないパラメタで可能である ことを確認できた。 31 / 45

Slide 32

Slide 32 text

06 / 公開から見えた運用の課題 ニューラルかな漢字変換のリリース オープンソースアプリケーションとして公開 32 / 45

Slide 33

Slide 33 text

06 / 公開から見えた運用の課題 派生プロダクトの広がり HazkeyはZenzaiをfcitx5向けに移植し、Linux環境でもニューラルかな漢字変換を利用可能にした。 33 / 45

Slide 34

Slide 34 text

06 / 公開から見えた運用の課題 派生プロダクトの広がり KarukanはZenzaiの開発情報に基づいて独自にモデルの学習を再現 し、Linux / macOS向けのプロダクト化にまで成功している。 34 / 45

Slide 35

Slide 35 text

06 / 公開から見えた運用の課題 ベンチマークの活用 LLMをオンラインで用いた日本語入力であるSumibiでは、AJIMEE-Benchを用 いてフロンティアモデルのかな漢字変換性能をトラッキングしている。 35 / 45

Slide 36

Slide 36 text

06 / 公開から見えた運用の課題 リリースの影響 反響 たくさんの人がインストールし、 利用したり、紹介記事を書いたり してくれた。 研究的プロダクトにとどまらずに 実社会に製品として出す、という 観点では比較的成功した。 また、オープンソース化、積極的 な開発情報の共有により、派生プ ロダクトもいろいろ生まれた。 36 / 45

Slide 37

Slide 37 text

06 / 公開から見えた運用の課題 実用上の問題は「変換精度」だけではない 37 / 45 寄せられるフィードバックはほとんどが変換以前のUIや特殊機能の部分に集中

Slide 38

Slide 38 text

06 / 公開から見えた運用の課題 実用上の問題は「変換精度」だけではない 日本語入力 時刻・日付変換 特殊変換 予測入力 誤入力訂正 かな漢字変換 キーバインド 英語入力 インストールや 更新の体験 記号変換 38 / 45 かな漢字変換の精度が99%→99.9%に上がっても、他の体験の作り込みで簡単に差がつく

Slide 39

Slide 39 text

06 / 公開から見えた運用の課題 変換精度の継続的改善の難しさ バグ修正コストの増加 統計的かな漢字変換では辞書単体を人手で調整することができた。ニューラルか な漢字変換では基本的に学習データを調整することでしかこれを変更できないた め、都度モデルの再学習が必要な上、従来簡単に直せた問題を直すのが難しくな る。 フィードバック プライバシーの観点から利用状況データを収集できないため、変換精度の改善を リリースしても真に改善しているかがわからない。ユーザがどのような変換エ ラーに直面しているかを知る術が基本的に直接のフィードバック以外にない。 (これは従来の統計的かな漢字変換でも同様) 39 / 45

Slide 40

Slide 40 text

07 / 今後の技術的課題 今後の技術的課題 予測入力 入力全体が得られる前にユーザが入力したい 内容を予測し、提案する機能。標準的な日 本語入力システムでは基本的にサポートされ ているが、単語レベルに留まる。 言語モデルによるCompletionでより長い補 完が簡単に実現できそうに見えるが、ユーザ の効用を最大化するようなCompletionは困 難。 40 / 45

Slide 41

Slide 41 text

07 / 今後の技術的課題 今後の技術的課題 誤入力訂正 キー入力自体に誤りなどがあっても、正 しいかな漢字変換を実現する。モバイル 端末向けの日本語入力システムでは標準 的に使われている。 Noisy Channel Modelとして表現でき るが、ニューラルかな漢字変換とどのよ うに両立するか、どのように高速に実装 するかは技術的な検討が必要。 41 / 45

Slide 42

Slide 42 text

07 / 今後の技術的課題 今後の技術的課題 ユーザ辞書・履歴学習 日本語入力は「学習」「ユーザ辞書」があって当然とされているが、ニューラ ルかな漢字変換の仕組みとは簡単には両立できない。 かな漢字変換モデル自体の重み調整は性能品質の保証が難しいため、RAGの ような文脈参照などとして扱う方式などが考えられるが、速度・精度への大き な悪影響なく適切に実施する方法は今後の検討の必要がある。 42 / 45

Slide 43

Slide 43 text

07 / 今後の技術的課題 今後の技術的課題 プライバシーを守ったロギング・学習 GoogleのGboardの開発では差分プライバシーや連合学習を用いることでユー ザのプライバシーを侵害せずにモデルの改善やロギングを行えるようになって いる。ニューラルかな漢字変換においてもこれらの技術を継続的改善に役立て ることができれば、モデルの継続的改善に役立てることができる。 しかし、オープンソースの開発体制においてこれらをまともに運用する知見は 現状全くない。 [7] Xu et al.(2023) 43 / 45

Slide 44

Slide 44 text

TAKEAWAYS まとめ かな漢字変換・日本語入力はまだまだ途上 日本語圏における重要性の割に、十分な研究リソースが投じられていない。 日本語入力を改善する余地・価値は大きいのでもっと大勢に取り組んでほしい。 実用から出てくるテーマは多い プロダクト化を行うと、純粋な研究からは出てきにくい問題がいろいろ出る。 これらを適切に定式化したり、評価できるようにしていくことの価値は大きい。 44 / 45

Slide 45

Slide 45 text

REFERENCES 参考文献 [1] 森 信介・土屋 雅稔・山地 治・長尾 真(1999) 確率的モデルによる仮名漢字変換 情報処理学会論文誌 40(7), 2946‒2953. https://ipsj.ixsq.nii.ac.jp/records/12589 [2] Brown, P. F., et al.(1990) A Statistical Approach to Machine Translation Computational Linguistics 16(2), 79‒85. https://aclanthology.org/J90-2002/ [3] 工藤 拓・小松 弘幸・花岡 俊行・向井 淳・田畑 悠介(2011) 統計的かな漢字変換システム Mozc 言語処理学会第17回年次大会, 948‒951. https://www.anlp.jp/proceedings/annual̲meeting/2011/pdf̲dir/C4-3.pdf [4] Sutskever, I., Vinyals, O., & Le, Q. V.(2014) Sequence to Sequence Learning with Neural Networks Advances in Neural Information Processing Systems 27. https://arxiv.org/abs/1409.3215 [5] Li, J., Yu, C., & Guo, H.(2025) An Introduction to Speculative Decoding for Reducing Latency in AI Inference NVIDIA Technical Blog, 2025-09-17. https://developer.nvidia.com/blog/an-introduction-to-speculative-decoding-for-reducing-latency-in-ai-inference/ [6] Leviathan, Y., Kalman, M., & Matias, Y.(2023) Fast Inference from Transformers via Speculative Decoding ICML 2023, PMLR 202, 19274‒19286. https://proceedings.mlr.press/v202/leviathan23a.html [7] Xu, Z., et al.(2023) Federated Learning of Gboard Language Models with Differential Privacy ACL 2023 (Industry Track), 629‒639. https://aclanthology.org/2023.acl-industry.60/ 45 / 45