Reson8、40言語超対応の音声認識モデルを公開

小型でも高精度

5億パラメーターで40言語超に対応
多言語誤り率6.96%
15倍規模のモデルを上回る評価
電話音声で30Bモデルに並ぶ

高速・導入容易

大規模バッチで毎秒換算7,000倍超
音声1時間を約0.5秒で処理
Apache 2.0で公開
TransformersとvLLMに対応
詳細を読む

Reson8は11月18日、40言語超に対応する音声認識モデル「Rumble-2-Flash」をApache 2.0ライセンスで公開しました。パラメーター数は5億で、同社は自社モデルより3〜60倍大きいモデルと競合できると説明しています。

Hugging FaceのOpen ASR Leaderboard多言語評価では、中国語、ドイツ語、フランス語、イタリア語、スペイン語、ポルトガル語、ヒンディー語、オランダ語、英語の9言語で平均誤り率6.96%でした。同社によると、15倍の規模を持つMetaのomniASR-LLM 7BやWhisper large-v3を上回り、英語の単語誤り率は6.6%です。

処理速度はバッチの充填状況に左右されますが、データ量の大きい評価セットでバッチが十分に埋まる場合、7,000 RTFx超を達成したとしています。これは音声1時間を約0.5秒で処理する速度に相当します。

圧縮や雑音、話者ごとのアクセント差がある電話音声の評価では、302時間のコールセンター音声で単語誤り率7.86%でした。Reson8は、30B規模のNVIDIA Nemotron 3.5 Transcribeの7.78%と同等で、同系列のQwen3-ASR 0.6Bの8.7%を上回ったと報告しています。

モデルはQwen3-ASRの構成を採用し、TransformersとvLLMで独自の実行環境を追加せず利用できます。Reson8は大規模なRumble-2からオンポリシー蒸留で小型モデルを学習させ、モデル自身の出力に対して教師モデルがトークン単位で評価する方法を使ったと説明しています。