CPUで動作する日本語音声認識エンジンが競合を圧倒！

CPUだけで動作する高精度音声認識エンジン

合同会社Third Door（本社：東京都港区）は、驚くべき技術革新を達成しました。その名も「日本語音声認識エンジン」です。このエンジンは、一般的なPCのCPUだけで動作し、GPUを不要とします。これにより、より多くのユーザーがアクセスできる高性能な音声認識ソリューションが実現しました。

認識精度の驚異的な成果

このエンジンは、公開評価データ「JSUT basic5000」に基づく全量5,000発話の比較において、文字誤り率（CER）1.86%を達成しました。この数値は、競合のOpenAI社の「Whisper large-v3」（3.15%）やGoogle社の「Google Speech-to-Text」（3.29%）を大きく上回る結果です。特に処理速度においても、ノートPC（Apple M4）のCPUを使用した場合、実時間の約13倍速で処理できるという驚異の速さを誇ります。

開発の背景と目的

音声認識は、生成AIの普及とともにますます重要な役割を果たしています。AIとの対話手段がテキストから音声に広がる中で、音声認識の品質はAIシステム全体のパフォーマンスに直接影響を与えます。従来の高精度音声認識は、GPUを必要とするケースが多く、音声データの外部送信が不可能な環境では導入が難しいという問題がありました。Third Doorは、これらの課題を解決するために、精度、速度、動作環境の3点を同時に満たすエンジンの開発に取り組みました。

実際に評価された結果

Third Doorの音声認識エンジンは、以下の評価基準をもとに検証されました。

- 評価データ: JSUT basic5000（公開日本語音声コーパス）の全量5,000発話
- 正解ラベル: 人手で整備されたデータ（jsut-label）
- 採点方法: 文字誤り率（CER）を用い、記号や句読点は除外
- 速度測定: Apple M4搭載ノートPCを使用

その結果、Third Doorのエンジンは競合のシステムに比べ約40%の誤り率削減を実現し、完全一致率73.4%も大きな結果を示しました。これは、Whisper large-v3と比較しても10ポイント以上上回る数字です。

多様な活用が期待される

この音声認識エンジンは、さまざまな分野での活用が期待されています。具体的には、電話応対の自動化や会議・商談の議事録作成、音声データを外部に送信できない環境での文字起こし、さらには組込み機器やエッジ環境での音声インターフェースとしての利用が考えられます。GPUを必要としないため、多数の同時処理をサポートすることができ、既存のPC環境でも容易に導入可能です。

デモページで実際に体験しよう

Third Doorは、実際の認識精度と応答速度を体験できるデモページを提供しています。ブラウザから簡単にアクセスでき、マイクに話しかけることで、その場で認識結果が表示されます。最新のChromeやEdge、Safariを用いて体験してみましょう。デモページはこちらです。

未来への展望

今後、Third Doorはこの音声認識エンジンをAI電話応対システムに組み込み、さらに音声対話サービスとして提供する計画です。また、英語版デモの公開や対応言語の拡充も順次進める予定です。音声認識技術の進化に注目が集まる中で、Third Doorの取り組みは新たな時代を切り開くものであると言えるでしょう。