2026-11-18 · ← ニュース
Rumble-2-Flash、45言語の音声認識を5億パラメータに凝縮
Reson8はRumble-2-Flashの重みをApache 2.0で公開しました。5億パラメータのモデルは英語版Open ASR Leaderboardで平均6.60 %のWERを記録し、独自runtimeなしの低コストなローカル文字起こしを狙います。
画像を読み込めませんでした。
Reson8はRumble-2-Flashの重みをApache 2.0で公開しました。モデルは5億パラメータで、メタデータには45言語が記載されています。Qwen3-ASRアーキテクチャを採用したため、trust_remote_codeを使わずにTransformersとvLLMで直接動作します。
5億パラメータで専用runtimeを不要に
Rumble-2-Flashは、より大きな本番モデルRumble-2から蒸留されました。生徒モデルが音声を自ら文字に起こし、教師モデルが出力をトークンごとに評価します。GOLDという手法により、tokenizerが異なるモデル同士でも比較できます。
言語を自動検出し、数字を桁で出すか単語で出すか、フィラーや反復を残すかも制御できます。Reson8は公開された重みに加えて有料APIも提供します。Model Cardには、必要なGPUメモリの最小値や録音時間の上限は記載されていません。
小さなモデルが機密音声のコストを変える
5億パラメータでTransformersとvLLMに標準対応するため、通話や会議を他社のcloudへ送りたくないチームにも導入しやすくなります。利点は価格だけではありません。ローカル実行なら、音声の保存、遅延、モデル更新を運用側が管理できます。
英語版Open ASR Leaderboardの平均WERは6.60 %です。14種類の英語アクセントを含む302時間の通話では、Reson8は7.86 %と報告しています。300億パラメータのNVIDIA Nemotron 3.5 Transcribeは7.78 %でした。call centerには興味深い数字ですが、特定のテストデータでの比較です。
7,000 RTFxにはフルbatchとH200が必要
1時間の音声を約0.5秒で処理するという説明は、batchが十分に埋まった状態で7,000 RTFxを超えた結果に基づきます。Model Cardによると、計測にはH200とvLLMが使われました。小さなGPUに少数のリクエストを送る環境で、同じ数字を当然には期待できません。
精度もデータによって大きく変わります。英語の各結果は、VoxPopuliの2.43 % WERから非公開会話データの13.14 %まで幅があります。中国語にはCERが使われるため、多言語の平均値は完全に同じ指標の単純比較ではありません。
実際の録音がランキング平均より重要になる
導入判断には、実際の通話、マイク、人名、業界用語を使うべきです。WERだけでなく、小さなbatchでの遅延、メモリ使用量、数字や固有名詞の誤りも測る必要があります。
TransformersとvLLMでの対応が安定しているかも重要です。手元のGPUでforkなしに動き、ローカル監査でも品質を保てれば、はるかに大きな文字起こしモデルを置き換えられます。45言語という一覧だけでは、その結果までは保証しません。
Lilithの判定
Rumble-2-Flashは小さな箱に収まりますが、会議室のマイクはleaderboardの表を読みません。実際の通話に入れれば、小さくても動くエンジンなのか、軽い外装だけなのかがすぐ分かります。