0.5Bのモデルが、30Bのモデルとほぼ同じ誤り率で電話音声を文字にする。Reson8が公開したRumble-2-Flashは、文字起こしの費用構造を変える側のニュースだ。
Rumble-2-Flashは30Bとの差が0.08ポイント
Reson8は11月18日、Rumble-2-FlashをApache 2.0で公開した。パラメータ数は5億。比べる相手はNvidiaのNemotron 3.5 Transcribeで、30Bを抱える。
土台はAppTekのコールセンターベンチマークだ。ヘルプラインの通話302時間、英語のアクセント14種を含む。Rumble-2-Flashの単語誤り率は7.86%、Nemotronは7.78%。差は0.08ポイントで、体感ではほぼ同じ水準になる。
ここで言えるのは、巨大モデルと並んだという一事だけで、すべての音声で同じ結果になるわけではない。
Open ASR Leaderboardの多言語は6.96%
Reson8のブログとモデルカードによれば、Open ASR Leaderboardの多言語トラックで平均6.96%の誤り率を出す。対象は中国語、ドイツ語、フランス語、イタリア語、スペイン語、ポルトガル語、ヒンディー語、オランダ語、英語の9言語だ。
英語トラックは6.6%。同じ社の説明では、約15倍の規模を持つMetaのomniASR-LLM 7Bを上回り、Whisper large-v3も前に置く。いずれも提供側の測定で、第三者の追試はまだ出ていない。
Rumble-2-Flashの速度は1時間の音声を0.5秒で
処理速度はフルバッチで7,000 RTFxを超え、Reson8は1時間の音声を約0.5秒で処理すると表現する。RTFxは、実時間の何倍速で回せるかを示す指標である。
導入の手間も小さい。TransformersとvLLMに標準で対応し、独自コードもtrust_remote_codeも要らない。ライセンスはApache 2.0で、商用利用を含めて制限が少ない。重みはHugging FaceのReson8/Rumble-2-Flashに置かれ、APIからも使える。
Reson8は教師モデルの採点をトークン単位にした
中身は蒸留で、Reson8の本番モデルRumble-2を教師にして小さいモデルへ能力を移した。生徒が自分で音声を書き、教師がトークンごとに採点する形を取る。
障害はトークナイザの違いだった。教師と生徒で語の区切り方が違えば、同じ文章でも採点がずれる。同社はGOLDと呼ぶ方法でトークンを統合し、両者を同じテキストの上で比べられるようにした。
この工夫は買う側からは見えない。見えるのは、素のTransformersで動き、数字を桁で出すか語で出すかを選べ、フィラーや繰り返しの扱いも切り替えられる点だ。
open speech modelとして使える場面と、届かない場面
自前の環境で動かせる点が大きい。通話録音を外部に送れない医療や金融、社内会議の議事録、工場の点検記録など、音声を外に出せない案件で選択肢が増える。
国内のコールセンターは、日本語の文字起こしを外注か従量課金で回しているところが多い。0.5Bなら自前のGPUに載る規模で、円建ての固定費に置き換えやすい。ただし40言語対応は、40言語すべてで同じ品質という意味ではない。日本語の精度は自社の音声で測るしかない。
正直な限界も残る。同じコールセンターの課題で、Qwen3-ASR 1.7Bは7.4%とRumble-2-Flashを上回る。話者分離、つまり誰が話したかの切り分けも、今回の発表には含まれない。
では、自前で持つ価値はどこにあるのか? 従量課金の請求書は通話時間に比例して膨らむ。5億のモデルをGPU1枚で回せば、その線が固定費に変わる。精度が落ちれば人が聞き直す工数が乗るので、単価だけで比べると判断を誤る。
Apache 2.0で試すなら、自社の音声で1時間
ライセンスが緩いので評価は今日からできる。自社の通話を1時間分、訛りや雑音の多いものを混ぜて流し、単語誤り率と処理時間を測ればいい。公開ベンチマークの差が0.1ポイントでも、現場の録音では数ポイント開くことがある。






