Oossa

Reson8、40超の言語に対応する5億パラメーターの音声モデルを公開

文字起こしモデル「Rumble-2-Flash」はApache 2.0ライセンスで無料提供。TransformersやvLLM上で動作する。

著者: Oossa公開日: 1 分で読める

Mike Meyers · Unsplash

Reson8は、新しい音声認識モデル「Rumble-2-Flash」をオープンウェイトで無料ダウンロード提供すると発表した。パラメーター数は0.5 billionで、40を超える言語を自動検出できる。Hugging Faceの🤗 TransformersライブラリーやvLLM、またはReson8独自のAPIを通じて利用でき、API料金は音声1時間あたり€0.01。Reson8によると、音声1時間分を約0.5秒で処理でき、フルバッチではリアルタイム係数(RTFx)が7,000を超える。

小型モデルの精度は?

Hugging Face Open ASR Leaderboardの多言語部門で、Rumble-2-Flashは7言語の平均単語誤り率(WER)6.96%を達成し、Metaの7 BパラメーターのomniASR-LLMとOpenAIのWhisper large-v3を上回った。英語のみでは、WERは約5%と報告されている。AppTekのノイズの多いコールセンター向けベンチマーク(302時間、英語の14アクセント)ではWER 7.86%で、NVIDIAの30 BパラメーターのNemotron 3.5 Transcribeとほぼ同等、0.6 BパラメーターのQwen3-ASR(8.7%)を上回った。

今、重要な理由

大規模な音声モデルの多くは主に英語向けに開発されており、ほかの言語の話者は誤認識率が高くなりがちだ。Reson8のCEO、Raoul Ritterは、オランダ語やスウェーデン語のように何百万人もの人が話す言語が、しばしば「後回しにされている」と指摘する。小型で高速、多言語対応のモデルを無料で提供することで、開発者は高額なクラウドサービスや費用のかかるライセンスに頼らず、アプリに文字起こし機能を追加できる。音声1,000時間で€10という低価格は、大量の文字起こしを必要とする中小企業、教育関係者、趣味で利用する人にも現実的な選択肢となる。

なぜ重要か

顧客との通話を文字起こしする必要がある小規模企業にとって、このモデルはコストを大幅に抑えながら、企業向けに近い精度を実現する。学生やポッドキャスターなら、大手クラウド事業者に料金を払わず、何時間分もの録音を数秒でテキスト化できる。オープンソースで公開されたことで、研究者はモデルを一から構築せずに、多言語音声認識を試せる。

この記事は役に立ちましたか?
共有

次に読む

Oossa · ニュースレター

今週のAIを、わかりやすく

毎週月曜日、知っておきたいニュースをやさしい言葉で。無料・スパムなし。