Open ASR Leaderboard: 多言語・長尺音声トラックの新設によるトレンドと洞察
Open ASR Leaderboard: Trends and Insights with New Multilingual & Long-Form Tracks
Open ASR Leaderboard は、精度と効率の両面でオープンソースおよびクローズドソースのモデルを比較する標準的なベンチマークとなっている。最近、多言語および長尺音声の文字起こしトラックが追加された。2025年11月21日現在、60以上のモデルが11のデータセットで比較されている。精度ではConformerエンコーダーとLLMデコーダーを組み合わせたモデルが優位であり、NVIDIAのCanary-Qwen-2.5Bなどが低い単語誤り率(WER)を達成している。一方、推論速度ではCTC/TDTデコーダーが10~100倍高速だが、誤り率はやや高くなる。多言語対応ではOpenAIのWhisper Large v3がベースラインとして強力だが、英語特化のファインチューニングは多言語性能を低下させるトレードオフがある。長尺音声では、現時点ではクローズドソースシステムがオープンソースを上回っているが、オープンソースのイノベーションの可能性は大きい。リーダーボードはGitHubでのプルリクエストを通じて、モデル、言語、データセットの拡充を続けていく予定である。
- Open ASR Leaderboardに多言語および長尺音声の文字起こしトラックが新設された
- NVIDIAのCanary-Qwen-2.5Bが低い単語誤り率(WER)を達成している
- OpenAIのWhisper Large v3が多言語対応のベースラインとして強力であることが示された
Open ASR Leaderboardの多言語・長尺音声トラック追加は、音声認識分野の標準ベンチマークとしての価値をさらに高めるものだ。特にNVIDIAのCanary-Qwen-2.5Bが高精度を達成している点や、CTC/TDTデコーダーによる推論速度と精度のトレードオフは、実用化に向けた技術選定の指標となる。Whisper Large v3の多言語ベースラインとしての優位性と英語特化ファインチューニングによる多言語性能低下トレードオフは、製品戦略上重要な知見。長尺音声ではクローズドソースが優位だが、オープンソースの追い上げ余地が大きく、今後の競争激化が投資機会につながる可能性がある。