Voxtral-Mini-4B-Realtime Arabic、アラビア語の文字起こしエラーが8.82%
この記事のポイント
- アラビア語音声のリアルタイム文字起こしモデル
- 480ms遅延で既存モデルを上回る精度
- BF16の44億パラメータで動作
数字で見る
この記事に出てくる数字
| パラメータ数 | 4.4B |
|---|---|
| CER | 8.82% |
| 遅延 | 480ms |
どこで使えるか
アラビア語音声のリアルタイム文字起こしを組みたい人向け。480ms遅延で高精度。 Hugging Faceで公開済み vLLMまたはTransformers>=5.2.0が必要
スポンサーリンク
解説
かみくだいて説明します
mistralai が 2026-10-08 に、アラビア語の方言と標準アラビア語に対応するストリーミング型音声テキスト変換モデル、Voxtral-Mini-4B-Realtime-Arabic を公開しました。およそ 4.4 billion パラメータを持ち、BF16 精度の重みで動きます。音声が届くたびにテキストを出力する仕組みで、話者が会話の中で複数の言語を切り替えるコードスイッチングにも対応しています。
音声が来るたびに文字が出るんですか? 開発者が実際に組み込む場合、どのくらいの遅延で使えますか?
設定次第ですが、例えば 480 ms の遅延にすると、アラビア語のベンチマーク 7 件で平均 8.82% の文字誤り率になります。この値は、オープンソースや自社開発のオフラインモデルを複数上回り、同じ mistralai の非リアルタイム版である Voxtral Transcribe Arabic の 7.91% と比べても、誤り率の差は 0.91 percentage points です。
0.91 percentage points の差なら、ほぼ同じ精度と言えそうです。文字誤り率というのは、正確には何を測る指標なんですか?
文字誤り率は、変換されたテキストと正解のテキストを並べて、何割の文字がズレているかを見る数値です。専門的には CER と呼ばれ、方言特有の綴りや借用語、話し言葉の数字を正規化した上で計算します。数値が低いほど正確です。
方言の綴りや話し言葉の数字まで正規化するんですね。モデルの重みは BF16 精度ですが、手元の環境で動かすのに必要な条件はありますか?
vLLM に Voxtral Realtime 対応と mistral-common の音声依存関係を追加すれば動きます。Transformers のバージョン 5.2.0 以降なら、追加の設定なしでネイティブに実行可能です。音声は 16 kHz のサンプリングレートで入力し、因果的なオーディオエンコーダーと言語デコーダーを通してテキストを出力します。
追加設定なしで動くなら、組み込みの手間は減りそうです。では、このモデルは誰と共同で開発したんですか?
モロッコのデジタル移行・行政改革省、MTNRA と共同開発しています。mistralai とモロッコが結んだ戦略パートナーシップの一環で、主権 AI 資産として位置づけられています。評価には MTNRA と共同で作成した ISMA と Darija in the Wild という 2 件の新規ベンチマークも使われています。
政府機関と組んで主権 AI として運用するんですか。音声データの入力形式は 16 kHz だけですか、それとも他のレートにも対応していますか?
仕様書では 16 kHz の音声を入力対象として明記しています。他のサンプリングレートへの対応については、そこはまだ分かっていません。音声は WebSocket で /v1/realtime へストリーミング送信する形で提供され、温度パラメータは 0.0 で評価されています。
WebSocket 経由でストリーミング送信するんですか。最後に、開発者や研究者がこのモデルをどう位置づけるか、今後の見通しはありますか?
Voxtral Mini 4B Realtime Arabicは、設定した転写の遅延480ミリ秒でアラビア語7件の平均文字誤り率8.82%を出し、Voxtral Transcribe Arabicの7.91%に0.91ポイント差まで迫る。ただしGeminiの安全フィルターがFLEURSの一部音声をブロックしており、比較には注意が必要。
出典
この記事のもとになった情報
- Hugging Face:mistralai/Voxtral-Mini-4B-Realtime-Arabic
- 公開日:2026-10-08
※ 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。