マイクロソフトが音声認識モデル「VibeVoice-ASR」を公開、最長60分を一括処理

マイクロソフトが、長尺音声の認識において文脈の途切れや話者混同を解消する9Bパラメータの音声モデル「VibeVoice-ASR」をオープンソースで公開した。

従来の音声認識ツールは長時間の録音を30秒前後の短いセグメントに分割して処理するのが一般的だった。この分割処理は前後の文脈を損ないやすく、話者の分離精度を下げる原因となっていた。VibeVoice-ASRは分割処理を行わず、最長60分の連続音声を一括で直接処理できる。

主な機能と特徴

本モデルは、文字起こし、話者分離、タイムスタンプ付与の3つの処理を単一のエンドツーエンド生成タスクに統合している。音声を入力するだけで、話者名と時間が正確にマッピングされたテキストを出力する。

処理速度と精度も高い水準にある。報告によると2分の音声を6秒以内で書き起こすことができ、Whisperなどの既存の大規模モデルと比較しても低いエラー率を記録している。

言語サポートに関して、論文では50以上の言語に対応し、言語の手動指定なしで同一発話内の言語混在を自然に処理できるとしている。報道によっては100以上の言語に対応するとも伝えられている。

さらに、プロンプトを通じた文脈注入機能を備えている。専門用語や固有名詞を事前プロンプトとして渡すことで、特定領域の用語や同音異義語の誤認識を抑えられる。

利用環境と開放状況

技術論文はarXiv（arXiv:2601.18184）で閲覧可能で、コードはオープンソースとして公開されファインチューニングにも対応している。

パラメータ数が9Bあるため、60分の音声を一括推論したり微調整を行ったりするには、相応のVRAMを備えた高性能GPU環境が必要になる。

なぜ重要か

1時間規模のポッドキャストや会議の文字起こしを自動化したいチームにとって、VibeVoice-ASRは非常に実用的な選択肢になる。音声を分割して別々のモデルで話者分離を行う従来のパイプラインから脱却できる恩恵は大きい。

長尺音声をそのまま読み込み話者まで特定する手法は、今後の音声基盤モデルの標準になっていくと考えられる。9Bという規模ゆえにローカル実行のハードルはやや高いが、Whisperに代わる高性能な自社運用モデルを求める開発者には有力な候補となるだろう。