Audio8 ASR Infinite、24時間無停止のストリーミング文字起こし

モデル

Audio8 ASR Infinite、24時間無停止のストリーミング文字起こし

スポンサーリンク

Audio8 ASR Infiniteが、24時間無停止のストリーミング文字起こしに対応したチェックポイントを公開。

この記事のポイント

  • 24時間無停止の音声認識モデル
  • ローリングKVキャッシュで無限長対応
  • フルマージド重みとvLLMビルドが必要

数字で見る

この記事に出てくる数字

遅延範囲 240–560 ms
コンテキスト長 30秒

どこで使えるか

24時間無停止のストリーミング文字起こしを自前で組む人向け。vLLMビルドとフルマージド重みが要る Hugging Faceで公開済み 80ms/480msが最適。フルマージド重み必須

動画を見る

スポンサーリンク

解説

かみくだいて説明します

Edge0 が 2026年9月22日、Audio8 ASR Infinite という音声認識モデルを公開しました。このモデルは音を流し込みながら文字起こしができるストリーミング型で、80ms、120ms、160ms の3種類から音声の区切り時間を選べます。文字起こしまでの遅れは 240ms から 560ms の間で設定でき、vLLM という推論フレームワークと組み合わせて使えば、無限の長さの音声を 24時間7日、狂いなく変換し続けられます。
24時間止めずに変換できるんですね。では、技術者としてこのモデルを組み込む場合、手元で動かすには重みの形式に決まりがあるんですか?
決まりがあります。このモデルを使うには、重みを一つにまとめた完全なディレクトリをそのまま読み込む必要があります。アダプター形式や部分的に変換した重みでは動かないので、公開されているファイル構成をそのまま使う形になります。
公開されている形のまま使わないといけないんですね。では、研究する人から見ると、30秒の文脈をどうやって無限に伸ばしているんですか?
Rolling KV Cache という仕組みで対応しています。これはノートに書き込むイメージです。1ページ目が埋まったら、新しい情報を上から書き足して、一番古い情報を消していきます。モデル自体が覚えられるのは30秒分ですが、この書き換えを繰り返すことで、理論上は無限の長さの音声を連続で処理できます。
古い情報を上書きして新しい情報を積み重ねる、そういう仕組みなんですね。遅れを短くすると、その分、変換の精度は下がってしまうんですか?
公開されている情報では、80ms の区切りで 480ms の遅れを設定した場合の誤り率が示されています。それ以外の組み合わせでも使えますが、精度が最適ではない可能性があります。正確な数字については、そこはまだ分かっていません。
指定した組み合わせ以外だと精度が落ちる可能性があるんですね。では、AI を使う側として、このモデルが実際に文字起こしに使えるのはいつからなんですか?
今回公開されたのは文字起こしの基盤部分です。リアルタイムの意味理解機能はまだ開発中で、同じフレームグリッドと音響処理のパスの上に構築中です。使える時期については、そこはまだ分かっていません。
文字起こしは使えるけど、意味を理解する機能はまだこれからなんですね。では、開発者は次のバージョンで何を優先しているんですか?
リアルタイムの意味理解は、文字起こしと同じフレームグリッドと音響順方向パスの上に構築中なんです。
最後に、手元で動かす準備が整うまでの目安は、開発側から何かありますか。
重みの形式が決まっているので、vLLM に対応した環境さえ整えれば読み込みは可能です。ただし、精度が最適になる組み合わせや、意味理解機能のロードマップについては、そこはまだ分かっていません。

出典

この記事のもとになった情報

※ 本文と音声は生成 AI が作成しています。内容は出典をご確認ください。
本作品のキャラクターには株式会社Live2Dの著作物であるサンプルデータが株式会社Live2Dの定める規約に従って用いられています。本作品は制作者の完全な自己の裁量で制作されています。このキャラクターモデルは株式会社Live2Dより許諾を得て商用利用しています。

スポンサーリンク

-モデル