本文へ移動
YOBITSUGI AIメディア
AI ニュース人が監修しながらAIを活用して執筆

音声認識の小型モデルRumble-2-Flash公開、45言語に対応

執筆・監修: 佐々木 航公開 更新 3 分で読めます

共有XFacebookLINEはてブ

文字起こしのモデルは、大きいほど正確とは限りません。5億パラメーターの小さなモデルが、電話の音声で300億パラメーターのモデルと並びました。

音声認識の会社Reson8は11月18日、音声認識の小型モデル「Rumble-2-Flash」の重みを、商用でも使えるApache 2.0で公開しました。日本語を含む45の言語に対応します。同社のAPIでも使えます。

Rumble-2-Flashは、Reson8が製品で使う大きなモデルRumble-2を先生役にして作りました。生徒役のモデルが自分で音声を文字にし、先生がその文字を1トークンずつ採点して、次に来るべき語の確率を教えます。先生の書いた文字をまねるのではなく、自分の誤りを直接直されるのが利点です。先生と生徒で語の区切り方が違っても学べるよう、Hugging Faceが公開した手法GOLDを使いました。

仕組みはAlibabaのQwen3-ASRと同じ形なので、Hugging FaceのTransformersとvLLMで、特別なコードなしに動きます。数字を数字で書くか言葉で書くか、「えー」のような言いよどみを残すか、言い直しをまとめるか、言語を固定するかも指定できます。

電話の音声で、60倍のモデルと並ぶ

いちばん目を引くのは、電話の音声での結果です。AppTekが集めたコールセンターの通話302時間(英語のなまり14種類)で、単語の誤り率を比べました。

モデル(パラメーター)単語の誤り率
Qwen3-ASR 1.7B(17億)誤り率7.4%
NVIDIA Nemotron 3.5 Transcribe(300億)誤り率7.78%
Rumble-2-Flash(5億)誤り率7.86%
Qwen3-ASR 0.6B(6億)誤り率8.7%

Reson8の発表の値です。AppTekの採点の手順で測ったもので、低いほど正確です。

NVIDIAのNemotron 3.5 Transcribeは、Rumble-2-Flashの60倍の大きさですが、誤り率の差は0.08ポイントでした。同じ仲間のQwen3-ASR 0.6Bより正確で、上回ったのは3倍以上大きいQwen3-ASR 1.7Bだけです。

公開の評価表Open ASR Leaderboardでも、上位に入りました。中国語やドイツ語、ヒンディー語、英語など9言語では、誤り率の平均が6.96%で、15倍大きいMetaのomniASR-LLM 7Bや、OpenAIのWhisper large-v3を下回ります。英語だけの平均は6.6%です。速さも特長で、大量の音声をまとめて処理する条件なら、1時間の音声を約0.5秒で文字にできます。1

日本語の精度は示されていない(編集部の見方)

ただ、日本語の結果は、発表にもモデルカードにも載っていません。評価表の多言語の部門に、日本語が含まれていないためです。対応する45言語に入っていても、どこまで正確かはわかりません。漢字を使う中国語では、文字の誤り率が6.56%でした。

会議の議事録や電話の記録を社内で文字にしたいなら、小さく速いので試す価値はあります。とはいえ、日本語の通話は、自分の音声で確かめてから選ぶのが安全です。とくに、専門用語や人名が多い音声では差が出やすいでしょう。

Rumble-2-Flashは、現時点ではYOBITSUGI AIの対応モデルには含まれていません。

出典

注

  1. 速さは、H200の上でvLLMを使い、まとめて処理したときの値です(実時間の7,000倍超)。速さは一度に処理する量に左右され、まとめて処理できない使い方では遅くなります。 ↩

共有XFacebookLINEはてブ