2026年11月6日、Hugging Face のブログで、Open ASR Leaderboard に Egyptian(エジプト)と Nigerian(ナイジェリア)の英語アクセントのデータが追加されたことが発表されました。AI 文字起こしの精度を比較したい人にとっては、公開されている数字を自分の用途に合わせて読むための材料が増えた発表といえます。
要点
- 2026年11月6日の発表で、Liva AI との新しい協業により、Egyptian と Nigerian という2つのアクセントの非公開データが追加された
- 追加されたのは「Liva AI Conversational EG」(Egyptian・1.34時間)と「Liva AI Conversational NG」(Nigerian・1.55時間)で、どちらも Conversational, spontaneous(会話調で自発的な話し方)
- 書き起こしは Punctuated, cased, with disfluencies(句読点つき・大文字小文字あり・言い直しなどを含む)
- Private タブでは Kachru's Three Circles をもとにしたアクセント別の内訳が表示される
- 非公開データを増やす狙いは benchmaxxing(ベンチマークへの過剰な最適化)を抑え、評価の信頼性を高めること
何が発表されたか
追加された2つのデータ
今回加わったのは、Liva AI が提供する2つのデータです。発表の表では「Liva AI Conversational EG」が Egyptian アクセントで1.34時間、「Liva AI Conversational NG」が Nigerian アクセントで1.55時間と示されています。スタイルはどちらも Conversational, spontaneous、書き起こしは Punctuated, cased, with disfluencies と記載されています。つまり、台本を読み上げた音声ではなく、実際の会話に近い話し方を対象にしたデータです。
発表では、この追加は ASR の評価における代表性(より多くのアクセントと言語)を高めるための継続的な取り組みの一部だと説明されています。Open ASR Leaderboard にはこれまでも非公開データが加えられてきました。Appen と DataOceanAI による11のスプリット(データの区分)が追加され、5つのアクセントの台本ありの音声と会話音声をカバーしていること、その後に Voice Arena と組んで Indian-accented English(インド英語アクセント)の非公開スプリットが1つ追加されたことが振り返られています。コミュニティの反応は良く、信頼できる評価のための held-out set(評価用に取り分けて公開しないデータ)の重要性を多くの人が挙げたとも書かれています。
Private タブのアクセント内訳
アクセントが増えたことで、Private タブではより細かい内訳を示せるようになりました。発表によると、内訳は Kachru's Three Circles をもとにしており、Hume AI が自社のリーダーボードで取り入れたアイデアに言及しています。Open ASR Leaderboard が示すのは、US vs. non-US(UK, Australia, Canada, India, Nigeria, Egypt)と、Inner Circle(US, UK, Australia, Canada)vs. Outer & Expanding Circles(India, Nigeria, Egypt)の2通りです。さらにアクセントが加われば Outer と Expanding Circles を分けていく予定だとされています。
データを提供する Liva AI
Liva AI について、発表では、実際の人が使う消費者向けプロダクトを通じてマルチモーダルな対話データを集めていると説明されています。収集環境と流通の両方を自社で持つため、分野・業界・言語・モダリティ・対話の種類にまたがるモデルの弱点に合わせてプロダクトを設計できるとあります。その結果、作られた課題への回答ではなく、実際の利用の中で生まれる自然で文脈の濃い振る舞いにアクセスできるという位置づけです。
個人の仕事や学びにどう使えるか
文字起こしAIを選ぶとき、総合的な順位をそのまま採用しても、自分の音声では期待どおりにならないことがあります。今回の発表は、公開されている評価を「自分の条件に近い区分で読む」ことの手がかりになります。
営業職や企画職が商談やオンライン会議の録音を文字起こしする場合、素材は台本のない会話で、言い直しや相づちが混ざります。今回追加されたデータは Conversational, spontaneous というスタイルで、書き起こしにも disfluencies が含まれています。自分の用途が会話音声なら、台本ありの音声だけで測った数字より、会話音声の区分を見たほうが実感に近い判断ができます。
フリーランスのライターや記者がインタビュー音源を扱う場合は、話し手の英語アクセントが幅広いことがあります。Open ASR Leaderboard は US vs. non-US、Inner Circle vs. Outer & Expanding Circles という内訳を示すため、自分が扱う話者に近いグループの結果を確認するという読み方ができます。
学び直し中の人やエンジニアがモデルを比較するときは、評価に使われたデータが公開されているか非公開かも見るポイントです。発表では、非公開データを増やす狙いとして benchmaxxing を抑えることが挙げられています。評価用データが非公開であれば、そのデータに合わせ込んだ結果になりにくいという考え方です。
会社・チームで使うときのポイント
社内で文字起こしAIを選ぶときは、「どのモデルが強いか」より先に「自社の音声はどんな条件か」を言葉にしておくと比較がぶれません。会議なのか電話なのか、話者のアクセントはどうか、句読点や言い直しをどこまで残したいのか、といった条件をそろえてから該当する区分の結果を見ます。録音データの取り扱いルールや、どこに音声を送るのかという社内の方針も合わせて決めておくと安全です。法人としてAI活用の導入や研修を検討するなら、株式会社デジライズに相談できます。株式会社デジライズは法人向けAIリスキリングサービスで導入社数No.1(東京商工リサーチ・2026年3月末時点)で、累計600社超・5万人以上のAI活用を支援しています。
使う前の注意点
今回追加されたデータの長さは、Egyptian が1.34時間、Nigerian が1.55時間と発表に記載されています。評価用のデータは非公開であり、中身を自分で見て確かめられるものではありません。公開されている数字は、そこで使われた音声の条件のもとでの結果なので、自分が実際に扱う録音で短いサンプルを試してから本格導入を決めるのが現実的です。
また、自分が使いたい言語や、どのモデルやサービスが対象になっているかといった最新の提供範囲は、使う前に公式のヘルプやリーダーボードのページで確かめてください。業務で使う場合は、録音した相手への説明や社内規程との整合も先に確認しておくと安心です。
まとめ
Open ASR Leaderboard に Egyptian と Nigerian の英語アクセントが加わり、アクセント別の内訳がより細かく示されるようになりました。AI 文字起こしの精度比較は、総合的な順位ではなく「話し方のスタイル・アクセント・書き起こしの表記・評価データが非公開か」という4点を自分の用途に合わせて読むのがコツです。AIツールの選び方を体系的に学びたい人は、デジライズAIスクールのコース一覧から「IT・デジタルのAIツールの選び方と限界(職種別|IT・デジタル)」のような講座をのぞいてみてください。デジライズAIスクールは個人向けのオンラインAIスクールで、動画は990本以上あります。
出典
この記事は、各社の公式の発表をもとに AI で下書きし、出典の本文との照合とGoogle 検索による事実確認(ファクトチェック)を通ったものだけを公開しています。
