AppleがICASSP 2026で3本の音声・信号処理研究を発表、投機デコーディングをSpeechに適用

バルセロナで開催されるICASSP 2026にAppleが3本の論文で参加

Apple Machine Learning Researchは2026年4月30日、信号処理分野の主要国際会議ICASSP（International Conference on Acoustics, Speech and Signal Processing） 2026に同社が参加することを公表しました。会期は2026年5月4日から5月8日、会場はバルセロナのCentre de Convencions Internacional de Barcelona（CCIB）で、Appleはブース番号P2で出展します。

公式は**「Apple is presenting new research at the annual International Conference on Acoustics, Speech and Signal Processing」**と書いており、共催・スポンサー・エリアチェアの担当に加え、3本の論文発表が予定されています。

画像引用元: Apple Machine Learning Research

1: 多言語ギャップを音声+映像で埋める自己教師あり学習

1本目は「Leveraging Audio-Visual Data to Reduce the Multilingual Gap in Self-Supervised Speech Models」です。Speech and Natural Language Processing領域に分類されており、5月6日（水曜）のポスター発表として案内されています。

自己教師あり学習で構築する音声モデルは、英語など高リソース言語で精度を出しやすい一方、低リソース言語ではパフォーマンスが落ちる「多言語ギャップ」が知られています。Appleの研究は、音声と映像（口元の動きなど）を組み合わせた学習でこのギャップを縮められるかを検証する内容で、応用先としてはオンデバイスの音声認識やLive Captionsのような多言語対応機能が想定されます。

2: Speech向け「投機的デコーディング」の粗粒度受理基準

2本目は「Principled Coarse-Grained Acceptance for Speculative Decoding in Speech」で、5月8日（金曜）のオーラル発表です。Methods and AlgorithmsおよびSpeech and Natural Language Processingの両領域に分類されています。

投機的デコーディングは、軽量なドラフトモデルが先行で複数トークンを推測し、本体モデルがまとめて受理／棄却することで生成スループットを上げる技法で、LLM推論の高速化で広く採用されています。Appleの論文はSpeech領域への応用を扱い、トークン単位ではなく粗粒度（複数フレーム）の受理基準を理論的に整理しているとみられます。オンデバイスの音声合成・認識でレイテンシ低減が必要なApple Intelligenceの文脈とも整合します。

3: StereoFoley — 動画から空間情報付きの効果音を生成

3本目は「StereoFoley: Object-Aware Stereo Audio Generation from Video」で、5月8日（金曜）のポスター発表です。Tools, Platforms, Frameworks領域に分類されています。

フォーリー音とは、映像に合わせて足音や物のぶつかる音などをスタジオで作り込む効果音のことです。StereoFoleyは動画フレームから物体を意識した上で、ステレオ（左右の空間情報）を持つ効果音を生成する研究で、動画自動生成系（AppleとしてはVision Pro／visionOSのコンテンツ制作などへの応用が候補）と相性が良い領域です。AIによるビデオ生成パイプラインの音響側を埋めるピースとして、注目に値します。

Appleの研究プレゼンス：エリアチェアやワークショップ共催も

Appleはスポンサーとしての参加に加え、論文採択以外に次の役割でも貢献しています。

• Area Chairs：論文査読のエリア責任者
• Session Chairs：セッション座長
• Workshop Co-Organizers：ワークショップ共催
• Reviewer：査読者

研究コミュニティ内での運営側のプレゼンスを確保している点は、AppleがCVPR、ICML、NeurIPSと並んで音声・信号処理の主要会議でも継続投資していることを示唆します。

実務側に効きそうな論点

オンデバイスのSpeech系ワークロードは、レイテンシ・電力・プライバシーの3制約が同時にかかる領域です。今回の3本のうち投機的デコーディングと多言語自己教師あり学習の2本は、端末上での高速化と低リソース言語の品質向上という、現場で効きやすい領域に直接踏み込んでいます。Vision Pro／visionOSやApple Intelligenceの今後のアップデートで、多言語ライブキャプションやオフラインTTSの向上として表面化する可能性があります。

StereoFoleyは将来のメディア制作ワークフローへの示唆が大きい研究です。動画生成モデルと音響生成モデルが空間情報まで含めて整合するようになれば、ProResやAVFoundationを組み合わせた制作系ツール側にも影響が波及していくでしょう。来週バルセロナで実際に発表される論文本体の内容に注目したいところです。