10分間の録音がわずか数秒でテキストになる。便利そうに聞こえます。ただ、拍手をする前に、まず文字起こしの中身を見せていただきたいところです。
ステーブルコイン USDT の発行元である Tether が、QVAC TranscribePsy という音声認識モデルを公開しました。開発者はこれを使って、音声をリモートサーバーに送らずに端末上で録音を処理するアプリを作れます。
スマートグラスや人型ロボット、プライバシーをめぐる大げさな約束をはがしてしまえば、発表の中身はそれだけです。自分の端末で録音を文字起こしするソフトウェア。会話を他人のサーバーに置かずに済むのは、確かに利点です。しかし、それで文字起こしの正確さについて何かが分かるわけではありません。
速さは話の半分にすぎない
重要なのは、文字起こしにどれだけ手直しが必要かです。実際の会議が整った台本どおりに進むことはまずありません。人は口ごもり、互いの話をさえぎり、聞き慣れない名前を口にします。数字をひとつ間違えるほうが、読点を十個落とすより痛いこともあります。
Tether は精度の結果を公開しています。同社のテストでは、25言語対応モデルの単語誤り率は Open ASR で8.02%、Common Voice で21.56%でした。データセットが異なるので、この二つを同じ精度の物差しとして読むべきではありません。
この数字は注目に値します。とはいえ、次の会議の文字起こしにどれだけ修正が必要かは教えてくれません。私たちはこのモデルを独自に検証していません。文字起こしに大量の修正が必要なら、処理が速くなっても、修正作業に早く取りかかれるだけです。
例の1.65秒について
Tether によると、このモデルは iPhone 17 Pro Max で10分間の音声を1.65秒で文字起こしします。ところが技術文書には重要な但し書きがあります。この数字には、モデルを動かす準備をする12.7秒のコールドスタートが含まれていないのです。
この起動時の待ち時間は、録音のたびに発生するわけではありません。1.65秒という数字は、モデルの準備が整った後の処理時間であって、コールドスタートからの待ち時間全体ではありません。また、特定のスマートフォンでの結果であり、あらゆる機種での約束でもありません。
リアルタイム文字起こしはまだない
リアルタイムのやり取りがさんざん語られているにもかかわらず、公式の技術FAQによれば、このバージョンは録音や発話が終わってから処理します。ストリーミング認識はまだ開発中です。
スマートフォン向けの既製ビルドが対応しているのは8言語です。ロシア語を含む25言語版は、パソコンやサーバー向けの別バージョンです。この幅広い言語対応は、現在提供されているモバイル版には引き継がれていません。
では、実際の会話で試してみてください
試す価値のあるものは確かにあります。ダウンロードできるモデル、ローカル処理、公開されたベンチマーク、そしてモデルカードに記載された Apache 2.0 ライセンス。開発者が実際に触れるソフトウェアがあるのです。
では、背景に雑音があり、人が互いの話をさえぎる会話で試してみてください。文字起こしを公開し、修正の数を数え、同じ録音で既存のツールと比べてください。音声認識ソフトは、手間を省いてこそ存在価値があります。ロボットは後回しで構いません。