NVIDIA、約100万時間の多言語音声データセット「Granary」と最新モデルをオープンソース公開

NVIDIAはカーネギーメロン大学（CMU）やブルーノ・ケスラー財団と共同で、多言語音声データセット「Granary」と、それをベースに学習した2つの最新音声モデル「Canary-1b-v2」「Parakeet-tdt-0.6b-v3」をオープンソース公開しました。

データセットとモデルはすでにHugging Faceからダウンロード可能で、データ処理ツールチェーンもGitHubで公開されています。多言語チャットボットやカスタマーサポート、リアルタイム文字起こしツールを開発しているチームにとって、即座に実運用で試せる基盤です。

Granaryは約100万時間の音声データを収録しています。そのうち約65万時間が音声認識（ASR）用、35万時間以上が音声翻訳（AST）用で、クロアチア語、エストニア語、マルタ語などを含む欧州25言語を網羅。EU公用語のほぼ全域に加え、ロシア語とウクライナ語にも対応しています。

ラベル付けなしで100万時間の音声をどう整えたか

Granaryの最大の特徴は、膨大な人手によるラベル付けに頼っていない点です。研究チームはオープンソースのNVIDIA NeMo Speech Data Processorツールキットを使い、公開されているラベルなし音声から自動で高品質な学習データを抽出するパイプラインを構築しました。

NeMo Curatorを使って合成音声などのノイズを排除し、高品質なサンプルのみを抽出。さらに音声とテキストの自動アライメントやフォーマット変換を一括処理することで、莫大なアノテーションコストを回避しました。

オランダで開催されるInterspeech 2025の発表論文によると、従来の主要データセットと比較して、同等の音声認識・翻訳精度を達成するのに必要な学習データ量は約半分で済むとしています。

精度重視のCanaryと、速度重視のParakeet

同時に公開された2つのモデルは役割が明確に分かれており、どちらも句読点、大文字小文字、単語レベルのタイムスタンプ出力に対応しています。

Canary-1b-v2は10億パラメータのモデルで、寛容なライセンスで提供されます。対応言語は前バージョンの4言語から25言語に拡大し、欧州言語の高精度な書き起こしや、英語と対象言語間の双方向翻訳が可能です。

現在、Hugging Faceのオープン多言語音声認識リーダーボードで精度首位を獲得しています。NVIDIAによれば、3倍大きなモデルに匹敵する精度を持ちながら、最大10倍高速な推論が可能です。

一方のParakeet-tdt-0.6b-v3は6億パラメータの軽量モデルで、スループットと低遅延を追求した設計です。Hugging Faceのリーダーボードで最高のスループットを記録しており、最長24分の音声を1回の推論パスで書き起こせます。入力音声の言語も自動判別するため、プロンプトの指定も不要です。

なぜ重要か

多言語の音声サービスを開発しているエンジニアなら、すぐに試す価値があります。これまでデータが乏しい言語の音声認識は、精度が極端に落ちるか、商用の高額なプロプライエタリAPIに頼るしかありませんでした。軽量な600Mや1Bモデルで実用的な精度と速度がオープンに手に入る意味は大きいです。

さらに、モデル単体にとどまらずNeMoによる自動データ処理パイプラインそのものをオープンにした点も見逃せません。このワークフローを応用すれば、アジアやアフリカなどのリソースが不足している他言語モデルの開発も一気に加速するはずです。