ノイズ混じりの音声を正確に文字起こし、5GB未満の「Mega ASR」公開

スタジオで収録されたクリアな音声なら、今の文字起こし AI はほぼ完璧に認識してくれます。しかし現実の音声データは、街頭の喧騒、会議室の激しい反響、安価なマイクによる音割れなど、ノイズまみれのものが大半です。

音響条件が悪化すると、既存の主要モデルでも聞き落としや幻覚（ハルシネーション）が頻発します。5 月 19 日、こうした過酷な実環境音声の書き起こしに特化した「Mega ASR」が公開され、モデル重み、推論コード、微調整用スクリプトが無償提供されました。

綺麗なデータで競うのではなく、現実世界の壊れた音声を正確に拾うことに特化したアプローチです。

音響の悪条件を力技で克服する設計

多くの音声認識モデルは、複雑なノイズ環境に置かれると音響特徴を見失い、言語モデルの推測に頼りすぎて誤ったテキストを出力します。開発チームはこの現象を音響的堅牢性のボトルネックと呼んでいます。

人がほとんど聞き取れないような過酷なノイズ音声を流した比較テストでは、Gemini 3 Pro や Qwen 3 ASR といった主要モデルが高いエラー率を出した一方、Mega ASR は大半の単語を正確に文字起こしすることに成功しました。

この耐性を獲得するため、研究チームは 260 万件のサンプルからなる Voices-in-the-Wild-2M データセットを構築しました。単にホワイトノイズを足すのではなく、遠隔収音、障害物による遮蔽、残響、音割れ、パケット欠落など 7 つの主要な音響現象と 54 種類の実環境複合シナリオを物理的に再現して学習させています。

音響から意味へと段階的に進める教師あり微調整などの手法を採用した結果、過酷なベンチマークである VOiCES R4-B-F で誤り率を 54.01% から 45.69% へ、NOIZEUS Sta-0 で 29.34% から 21.49% へ低減しました。複合的な悪条件下では、既存の主要モデルに対して単語誤り率を 30% 以上削減しています。

何より実用的なのは、モデル全体の容量が 5GB 未満に収まっている点です。高価なデータセンター向けサーバーを借りることなく、手元の民生用 GPU でそのままローカル実行が可能です。

なぜ重要か

Mega ASR の価値は、音声認識の評価軸をベンチマーク競争から泥臭い現場の実用性へと引き戻した点にあると考えます。

取材現場の録音を文字起こししたい記者、騒がしい工場で音声メモを取るフィールドワーカー、あるいは防犯カメラの音声解析を行う開発者にとって、この恩恵は直ちに得られます。音声を事前にノイズ除去ソフトにかける手間が省け、5GB 未満でローカル完結するため機密音声の外部流出リスクも防げます。

業界全体にとっても、モデル規模の拡大だけで文字起こしを解決しようとする風潮に対する良いカウンターになっています。音響信号の取り込みが歪んでいれば、後段の言語モデルがいくら巨大でも推測は外れます。Mega ASR は、丁寧な物理音響シミュレーションを行えば軽量モデルでも超大型モデルを凌駕できることを証明しました。

もっとも、本モデルは音響的な劣化への耐性に注力しており、専門用語や特殊な文脈の補正には付属のスクリプトによる追加学習が必要です。それでも、手元の PC で動いて劣悪な録音を難なくさばけるオープンソースツールの登場は、現場のエンジニアにとってすぐに試す価値のある進展と言えます。