Omnilingual ASRとは？
Omnilingual ASRは、MetaのFAIR研究グループが2025年11月に公開したオープンな音声認識モデル群で、1,600以上の言語を文字起こしします。そのうち500以上は、Metaによればこれまでどの音声認識システムも対応していなかった言語です。Metaの現在の多言語音声認識の取り組みであり、約1,100言語に対応した2023年のMassively Multilingual Speech(MMS)の後継にあたります。
すべてのモデルは、Metaが70億パラメータまで拡大し、ラベルなし音声430万時間で事前学習したwav2vec 2.0の音声エンコーダを共有しています。その上に2種類のデコーダがあります。高速なCTCデコーダと、言語モデル風のLLM-ASRデコーダで、後者には想定する言語と文字体系を指定できます。それぞれ300M、1B、3B、7Bのエンコーダサイズがあります。別に用意された7Bのゼロショットモデルは、学習していない言語でも、数件の録音とその書き起こしを例として与えるだけで文字起こしします。
2025年12月、Metaは誤り率を下げたv2チェックポイントと、任意の長さの音声を扱え るLLM-ASRのUnlimitedバリアントを公開しました。その他のモデルが受け付けるのは40秒未満のクリップです。コードとモデルはApache 2.0、支援の行き届いていない350言語の書き起こし付き音声を収めたOmnilingual ASR CorpusはCC-BY 4.0です。リポジトリへのコミットは2025年12月30日以降ありません。
Omnilingual ASRは使う価値があるか？
Omnilingual ASRは対応範囲が最も広いオープンな音声認識システムで、その差は歴然としています。Metaの7B LLM-ASRモデルは、対応する1,600以上の言語のうち78%で文字誤り率10未満を達成しています。Whisper large-v3も対応するFLEURSの81言語では、テストセットの平均文字誤り率が5.6で、Whisperの22.6を大きく下回り、81言語中65言語で勝っています。数値はすべてMeta自身の論文によるものです。
この平均値は、多くの導入担当者がまず気にする言語については実力以上に見せています。Whisperの平均はほとんど対応していない言語に引き下げられており、リソースの多い欧州8言語からなるMLSでは、Whisper large-v3が2.0、Omnilingualの最良モデルが2.4です。世界で最も話されている言語に絞ると、7Bモデルの勝ちは34言語中24言語です。Metaが報告するのは文字誤り率で、多くの商用ベンダーが示す単語誤り率ではないため、ベンダーの仕様表とそのまま並べることはできません。
このモデルが真価を発揮するのはロングテールであり、最も弱いのもそこです。学習音声が10時間未満の546言語では、7Bモデルの平均文字誤り率は18.0で、10を下回るのは36%だけです。ゼロショットモデルはリストにない言語にも数件の対になった録音から対応する道を開きますが、Metaは完全に学習 したモデルにはまだ及ばないとしています。非公開のGoogle USMとの比較では、FLEURS-102で7Bモデルが6.2、USMの最良版が6.5です。
エンジニアリング面は研究用の水準です。モデルはHugging Face TransformersではなくMetaのツールキットfairseq2で動き、標準のチェックポイントは40秒を超える音声を受け付けず、ドキュメントには単語単位のタイムスタンプの記載がありません。信頼度スコアの要望は38件の未解決issueの一つです。リポジトリは2025年12月下旬から動きがなく、修正が届くのは遅いでしょう。リグリア語やフェロー語のような言語を追加したいチームは、制約のないライセンスで強力な土台を得られますが、英語の営業電話を文字起こしするチームにとっては、すでに持っているもの以上のものはありません。
真価を発揮する場面
東アフリカと西アフリカの言語でラジオ番組を制作するNGOのデータチーム
現地語による数百時間分の放送を検索できるようにする
7B LLM-ASR UnlimitedモデルをA100クラスのGPUで動かし、番組ごとに言語コードを指定します。Metaが長時間音声について示すリアルタイム係数0.097なら、1,000時間でバッチサイズ1の場合およそ97 GPU時間です。低リソース言語は精度の幅が大きいため、事前にMetaが公開している言語別の誤り率表を確認してください。
消滅の危機にある言語を記録する計算言語学者
音声認識がまったく存在しない言語の最初の文字起こしモデルを得る
7Bゼロショットモデルに数件の録音と書き起こしを文脈として与え、データが増えたらMetaのレシピでCTCまたはLLM-ASRのチェックポイントをファインチューニングします。ゼロショットの品質は学習済みモデルより低いため、出力は修正前提の下書きとして扱います。
耐環境型の現場端末向けにオフライン音声機能を作るエンジニア
ネットワークなしで地域言語の短いコマンドを文字起こしする
300M CTCモデルはメモリ約2GiBで、A100でのリアルタイム係数は0.001なので、より小さなハードウェアにも余裕があります。CTCモデルは低リソース言語で誤った文字体系を選ぶことがありますが、言語を指定できるLLM-ASRモデルではほぼ避けられます。
導入前に確認すること
- 導入
- pip install omnilingual-asr(バージョン0.2.0)とシステムライブラリlibsndfileを入れ、ASRInferencePipelineを使ったPython 3行で動きます。チェックポイントは初回利用時にfairseq2のキャッシュへダウンロードされます。言語コードはeng_Latnの形式です。
- 連携
- fairseq2とPyTorchの上に構築され、Metaはデータ準備とファインチューニングのレシピ、Hugging Faceのデモ用Spaceを提供しています。Transformersとの統合やMetaによるホスト型APIはありません。
- データとプライバシー
- セルフホストなので、音声が自分のハードウェアの外に出ることはありません。Apache 2.0はモデルに商用や用途の制限を課しません。コーパスはCC-BY 4.0で、クレジット表記が必要です。
- 大規模利用時のコスト
- A100でバッチサイズ1の場合、7B LLM-ASRはVRAM約17GiB、リアルタイム係数0.092で、音声1時間あたり約5.5 GPU分です。300M CTCは約2GiB、0.001で、1時間あたり数秒です。MetaのBF16での数値によれば、24GBのGPUで約20GiBの7Bゼロショットモデルを含むすべてのモデルが動きます。
- 制限
- 標準のCTCとLLM-ASRモデルが受け付けるのは40秒未満のクリップで、Unlimitedバリアントはまだファインチューニングに対応していません。Metaが報告するのは自社評価による文字誤り率のみで、タイムスタンプや信頼度スコアの記載はありません。
良い点
- 1,600以上の言語に対応し、うち500以上はこれまで音声認識がなかった言語
- コードと重みはApache 2.0で、商用利用も可
- 7B LLM-ASRは対応言語の78%でCER 10未満(Meta)
- 300M CTCはVRAM約2GiBで、7B LLM-ASRの96倍速く動く
気になる点
- リソースの多い欧州言語では今もWhisper large-v3が勝つ(MLS 2.0対2.4)
- 低リソース言語の平均CERは18.0で、10未満は36%のみ
- 標準モデルはクリップを40秒までに制限、単語単位のタイムスタンプの記載なし
- fairseq2ベースでTransformers非対応、2025年12月以降コミットなし
おすすめの人
商用の音声APIが対応していない言語を文字起こしするチームで、自前のGPUを運用でき、研究用水準のツールを受け入れられるところ。
Omnilingual ASRの代替
Omnilingual ASR：よくある質問
- Omnilingual ASRは使う価値があるか？
- 1,600言語をApache 2.0で文字起こしできるオープンモデルはほかになく、ロングテールの言語ではOmnilingual ASRが標準の選択肢です。英語と主要な欧州言語ではWhisperがまだ持ちこたえています。 評価は5点満点中4.2点です。
- Omnilingual ASRの料金は？
- Apache 2.0で無料、商用利用も可。学習用コーパスはCC-BY 4.0。Metaはホスト型APIを提供していないため、コストは自前のGPU時間です。
- Omnilingual ASRの欠点は？
- リソースの多い欧州言語では今もWhisper large-v3が勝つ(MLS 2.0対2.4); 低リソース言語の平均CERは18.0で、10未満は36%のみ; 標準モデルはクリップを40秒までに制限、単語単位のタイムスタンプの記載なし; fairseq2ベースでTransformers非対応、2025年12月以降コミットなし.
- Omnilingual ASRは誰に向いているか？
- 商用の音声APIが対応していない言語を文字起こしするチームで、自前のGPUを運用でき、研究用水準のツールを受け入れられるところ。
- チームや本番環境でOmnilingual ASRを使うと費用はいくらか？
- A100でバッチサイズ1の場合、7B LLM-ASRはVRAM約17GiB、リアルタイム係数0.092で、音声1時間あたり約5.5 GPU分です。300M CTCは約2GiB、0.001で、1時間あたり数秒です。MetaのBF16での数値によれば、24GBのGPUで約20GiBの7Bゼロショットモデルを含むすべてのモデルが動きます。
- Omnilingual ASRは企業データを扱っても安全か？
- セルフホストなので、音声が自分のハードウェアの外に出ることはありません。Apache 2.0はモデルに商用や用途の制限を課しません。コーパスはCC-BY 4.0で、クレジット表記が必要です。
- Omnilingual ASRの代わりになるものは？
- 当サイトでレビューした中で最も近い代替はWhisper large-v3-turbo, Qwen3-ASR (1.7B and 0.6B), Parakeet TDT 0.6B v3 、 Voxtral 3 (Transcribe and TTS)です。
回答確認日：2026年11月9日
Omnilingual ASRの開発元の方へ：この評価をサイトに掲載できます
