THE NEWS DESK
AIニュース
公式発表や本人の発言をもとに、
AI企業や研究者の動きを伝えます。
プロダクト
新しいサービスや開発者向けの発表を紹介します。
1件新しい順
HeyLemonらのStreaming Dictation ASR、リアルタイム音声入力の失敗を4段階に分類する公開ベンチマーク──静かな英語で7.3%と7.4%の2システムが、ささやきでは8.8%と34.7%に分裂
HeyLemonのHarras Mansoor氏ら4名は2026年11月12日、リアルタイム音声入力(ディクテーション)の失敗を単語誤り率(WER)だけから、発生段階別の4分類に置き換えて測るベンチマーク「Beyond Word Error Rate」をarXivに公開した(プレプリント、arXiv:2611.16919)。単一話者の英語106録音(静かな部屋73・扇風機オン17・ささやき16)、11言語・方言セット各20件、二言語を結合した400件を11の音声認識システムへライブストリーミングし、全誤りを認識・出力整形・言語処理・モデル前段の音声処理の4レベルに固定ルールで分類した。静かな英語のWERはZoom Scribeの7.4%とGPT-Live-Transcribeの7.3%がほぼ同じだが、ささやき英語ではZoomが34.7%、GPT-Liveは8.8%に分裂する。自前構成のWhisperにSilero VADを前置きして無音と判定された音声を破棄すると、ささやきのWERが10.1%から51.4%に上がった。コードはApache 2.0、録音・参照・全トランスクリプトはCC BY 4.0で公開されている。