応答の遅延を抑えた音声対話システムを実現するため，ユーザの発話中に将来の単語を先読みする予測型音声認識や，数秒先のターン交替を予測する技術が研究されてきた．本研究では，音声認識モデルWhisperに基づく，予測型ASRとターン交替予測を同時に行うマルチタスク学習モデルを提案する．提案モデルは発話途中の音声を受け取り，音声認識，将来単語の予測，およびターン交替予測を自己回帰的に実行する．これにより，観測された部分発話から得られる韻律的および言語的特徴に加え，予測された将来の単語をターン交替予測に活用することが可能である．Switchboardコーパスを用いた実験の結果，提案するマルチタスクモデルは，単一タスクモデルよりもターン交替予測において高い精度を示した．また，会話の文脈を導入することで予測型ASRとターン交替予測の精度が改善することを確認した．
