Phonon-2、900 MB 未満の英語音声認識モデルが教師モデルに迫る精度と高速推論を実現

モデル

Phonon-2、900 MB 未満の英語音声認識モデルが教師モデルに迫る精度と高速推論を実現

スポンサーリンク

Phonon-2が公開。900 MB 未満で教師モデルに迫る精度と、H100 で 6,680 倍速の推論を実現

この記事のポイント

  • 900MB未満の英語音声認識モデル
  • 教師モデルと同等精度を達成
  • Apple siliconでコマンドライン利用可能

数字で見る

この記事に出てくる数字

平均WER 5.21%
教師精度比 100.8%
H100速度 6,680x

どこで使えるか

Hugging Faceで公開済み ライセンスはcc-by-4.0

スポンサーリンク

解説

かみくだいて説明します

FermionResearchが2026-09-28にHugging Faceに公開した音声認識モデルPhonon-2は、900 MB未満のサイズで英語の文字起こし精度が最も高いオープンモデルです。Open ASR Leaderboardの7つのセットで平均5.21%の単語誤り率を記録し、容量が数倍大きいモデルをすべて上回っています。
容量が小さいのに高精度なんですか?
2.5 GBのフル精度の教師モデルと精度が同じで、議会発言では教師モデルの100.8%の正答率を達成しています。会議の音声では教師モデルよりも精度が高くなっていて、ダウンロードサイズはたった15分の1です。
15分の1で同じ精度なら驚きですね。研究している人から見ると、どこが新しい技術なんですか?
重みの値を5段階に限定して、1つあたりおよそ2.1ビットで保存する技術を使っています。普通のモデルが16ビットで重みを保存するのに対し、情報をぎゅっと圧縮してから学習し直すことで、精度を落とさずに容量を減らしています。
圧縮して学習し直すんですね。作る人として、手元で動かすのに必要な環境はどうなっていますか?
Apple siliconを搭載したMacからコマンドラインで直接動かせます。Linuxのx86とArm、WindowsのCPUでも同じパッケージが動き、Dockerを使えばCPUやGPUの上でも動かすことができます。
MacだけでなくLinuxやDockerにも対応しているんですね。では、処理速度はどうなっていますか?
M5チップのMacBook Airなら1時間の音声をおよそ20秒で文字起こしできます。174倍の速さで、8コアのZen 5搭載CPUでは143倍、H100のGPUなら128個のデータをまとめて処理したときに6,680倍の速度を出しています。
1時間の音声を20秒で処理できるんですか。仕事で使う場合、いま使っている道具のどこが変わりますか?
音声からテキストへの変換は、M5 MacBook Airで174倍のリアルタイム速度になります。これなら端末で即座に処理できます。
端末の上ですぐに終わるなら便利ですね。最後に、これから何が分かってくるんですか?
英語以外の言語への対応や、他のタスクへの拡張については、そこはまだ分かっていません。まずは英語の音声認識に特化して公開されています。

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