# 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。

Oossa · 2026-11-18 · https://oossa.com/ja/reson8-open-sources-0-5b-speech-model-for-40-languages

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。

## 事実

- Rumble-2-Flashは0.5 billionのパラメーターを持ち、Apache 2.0ライセンスで公開されている。
- このモデルは40を超える言語を自動検出できる。
- Hugging Face Open ASRの多言語ベンチマークで平均WER 6.96％を達成し、Metaの7 B omniASR-LLMを上回る。
- AppTekの302時間のコールセンター試験ではWER 7.86％で、NVIDIAの30 B Nemotron 3.5 Transcribeと同等の成績を収める。
- Reson8のAPI料金は音声1時間あたり€0.01で、1,000時間の利用料は€10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。

## 出典と参考資料

1. [Rumble-2-Flash: an open 0.5B speech model for 40+ languages](https://huggingface.co/blog/rumble-2-flash) – Hugging Face, 2026-11-18
2. [Reson8 releases Rumble-2-Flash speech model as a free open-weights download](https://siliconangle.com/2026/11/18/reson8-releases-rumble-2-flash-speech-model-as-a-free-open-weights-download/) – SiliconANGLE, 2026-11-18
3. [Reson8](https://www.reson8.dev/blog/rumble-2-flash?utm_source=openai) – Reson8

最終更新: 2026-11-18
