ディープラーニングモデルで構成されるエンドツーエンド(E2E)自動音声認識(ASR)モデルは，単一のニューラルネットワークを使用してASRタスクを実行することができます．これらのモデルは，大量のデータを用いて学習させる必要があるが，ターゲットとする音声ドメインに一致する音声データを収集することは困難であるため，ターゲットドメインに完全に一致しない音声データが使用されることが多く，結果として性能が低下する．音声データに比べ，ドメイン内のテキストデータは入手が容易である．そのため，従来のASRシステムでは，言語モデルとHMMベースの音響モデルを別々に学習して使用している．しかし，E2E ASRモデルは，音響情報と言語情報の両方を統合的に学習するため，言語情報を分離することが困難であり，リーズナブルなコストで十分な認識性能を達成できる，特殊なターゲットドメイン用のE2E ASRモデルを作成することは非常に困難である．本論文では，ターゲットドメインへの適応を実現するために，事前学習されたE2E ASRモデル内の言語情報を置き換える手法を提案する．これは，ASRの訓練データを対数領域で書き起こして訓練したソースドメイン言語モデルを差し引くことで，ASRモデルに含まれる「暗黙の」言語情報を削除することで達成される．次に，対数領域での足し算によって，ターゲット領域の言語モデルを統合します．この引き算と足し算による言語モデルの置き換えは，ベイズの定理に基づいている．実験では，まず，自然言語日本語コーパス(CSJ)の2つのデータセットを用いて，本手法の有効性を評価した．次に，新聞記事音声コーパス(JNAS)と自然発話コーパス(CSJ)を用いて，それぞれ読み上げ音声と自然発話音声のデータを用いて，2つの言語領域のギャップを埋める提案手法の有効性を検証した．その結果，我々の提案する言語モデル置換手法は，JNASコーパスとCSJコーパスに比べて，ASR性能が向上することが示された．