Sarashina3.2 ASR公開、日本語の音声認識で住所や数字に強く
執筆・監修: 佐々木 航公開 更新 4 分で読めます
電話で住所や型番を聞き取る仕事では、1文字の違いが大きな手戻りになります。
SB Intuitionsは11月20日、日本語の音声認識モデル「Sarashina3.2 ASR」を公開しました。国産の生成AI「Sarashina」の新しい仲間で、約1.7億の発話、45万時間を超える日本語の音声で学習しました。14種類の日本語の評価の平均では、比べた公開モデルの中で誤りが最も少なく、住所や数字を含む音声では誤りが1.57%でした。
平均の誤りは10.30%
比べた指標は文字の誤り率(CER)で、低いほど正確です。「iPhone」と「アイフォーン」、「1人」と「一人」のような表記の違いは、決まったルールでそろえてから数えました。
| モデル | 14の評価の平均 | 住所や数字 | カスタマーサポート |
|---|---|---|---|
| Sarashina3.2 ASR | 10.30 | 1.57 | 13.27 |
| Haas-ja-v1.0 | 15.18 | 13.31 | 26.21 |
| Qwen3-ASR-1.7B | 15.74 | 21.50 | 20.70 |
| Qwen3-ASR-1.7B-JAneosophie | 16.03 | 7.64 | 21.99 |
| Parakeet日本語NVIDIA | 16.60 | 11.27 | 26.53 |
| ReazonSpeech ESPnet v2 | 17.19 | 10.02 | 26.81 |
| Kotoba Whisper v2.0 | 19.87 | 17.59 | 31.81 |
| Whisper large-v3-turbo | 32.37 | 8.82 | 49.31 |
単位は%で、低いほど正確です。オフライン(音声をまとめて認識)でSB Intuitionsが測った値です。
差が大きいのは、住所や数字を含む音声です。2番目に少ないneosophieのQwen3-ASR-1.7B-JAでも7.64%で、Sarashina3.2 ASRは5分の1ほどでした。ただ、すべての評価で勝ったわけではありません。読み上げの評価(Common Voice、JSUT、ReazonSpeech)ではHaas-ja-v1.0が、接客やオンラインゲームの会話ではQwen3-ASR-1.7Bが上回りました。
待ち時間と精度を選べる
1つのモデルで、話している途中から文字にするストリーミング認識と、音声をまとめて認識するオフラインの両方に対応します。ストリーミングでは、どれだけ先の音声まで聞いてから文字にするか(先読み)を0〜2,560ミリ秒の間で選べます。
| 先読み | 14の評価の平均(%) | 最初の文字まで |
|---|---|---|
| 0ミリ秒 | 17.38 | 76ミリ秒 |
| 320ミリ秒 | 12.74 | 400ミリ秒 |
| 1,040ミリ秒 | 11.41 | 1.1秒 |
| 2,560ミリ秒 | 10.83 | 2.6秒 |
| オフライン | 10.30 | - |
最初の文字までの時間は中央値です。
字幕のように速さが大事な場面では先読みを短く、正確さが大事な場面では長くする、という使い分けができます。320ミリ秒の先読みでも、誤りは12.74%まで下がりました。
単語を登録すると約9割を聞き取る
人名や製品名、専門用語は、ふつうの会話にあまり出てこないため聞き違えやすい単語です。Sarashina3.2 ASRは、聞き取ってほしい単語を前もって登録すると、学習し直さずにその単語に強くなります。読み方も指定できます。たとえば「OWSM CTC」は登録しないと「オーサムCTC」に、「ICLR」は「アイクリア」になりましたが、登録すると指定した表記で出ました。
めったに出ない1,000語を登録して試すと、正しく聞き取れた割合は3つの評価すべてで約9割になりました。ReazonSpeechでは58.0%から90.7%に、GigaSpeechでは47.9%から87.5%に上がりました。登録した単語以外の誤りの増え方は、0.9〜1.5ポイントでした。比べたAzure Speech、Qwen3-ASR-0.6B、Haas-ja-v1.0の同じような機能で、3つとも9割前後に届いたものはありません。
それでも、数字の「9」と英字の「Q」の取り違えは残っています。「Redmi Note9T」が「Redemi Note QT」になるなど、型番や製品名の誤りもありました。SB Intuitionsは、まだ開発の初めの段階にあるモデルだとしています。
ここからは編集部の見方です。住所や数字の強さは、電話の受付や議事録で効くはずです。ただ、比べた相手は公開されているモデルだけで、クラウドで有料で使う文字起こしのモデルとの比べはありません。使い方もブログには書かれておらず、11月20日の時点ではSarashina APIのモデルの一覧に音声認識は見当たりません。ストリーミング認識は、これからAPIに加える予定です。
Sarashinaのモデルは、YOBITSUGI AIで公開している対応AIの一覧には含まれていません。YOBITSUGI AIで使える文字起こしのモデルの料金は、日本語の文字起こしAI、料金ランキングで比べられます。
出典
- Sarashina3.2 ASR:日本語トップクラスの認識精度を実現!リアルタイム・専門用語にも強い音声認識モデル(SB Intuitions TECH BLOG・2026年11月20日)
- モデル一覧(Sarashina API Docs・2026年11月20日に確認)