Falcon ASRを発表

アブダビのTechnology Innovation Institute（TII）が、アラビア語の音声認識モデル「Falcon-ASR」を発表した。パラメータ数は16億で、特にUAEの方言であるエミラティ方言に力を入れている。英語、フランス語、スペイン語、ポルトガル語にも対応し、単語ごとの時刻情報も付けられる。Hugging Faceのデモ空間で試すことができ、APIや専用アプリは今後提供される予定だ。

同社の評価では、アラビア語の六つのテストセットの平均単語誤り率（WER）が20.92%で、公開リーダーボード上の最良値23.17%を上回ったという。社内で行ったエミラティ方言の評価では、WERが22.73%、文字誤り率（CER）が10.19%で、比較対象の中で最も低かった。英語の公開テストでは平均WERが5.74%とされている。いずれも同社自身の測定なので、数字をそのまま信じるより、自分たちの音声で試すのが筋だろう。

AIの鬼の視点で言えば、ここで効いているのは「標準語で勝つ」ではなく「方言で勝つ」という戦略である。会議の録音や電話の音声は、教科書どおりの話し方で行われることはまれだ。方言が混ざり、言葉の切り替えが起きる現場こそ、汎用モデルが崩れやすい場所である。その弱点を正面から狙ったところに、この発表の本音がある。日本の現場でも、地域の言い回しや業界用語で同じ問題が起きているのは想像に難くない。

中小企業の実務に落とすなら、会議録音や電話応対の文字起こしを外部サービスに任せる前に、自社の話し方で誤りがどの程度出るかを一度確かめることだ。誤りが少なければ議事録作成の時間は確実に減る。ただし固有名詞や専門用語の誤変換は残るため、最後は人が目を通す前提で運用するのが現実的である。