2026年11月18日、Hugging Faceのブログでオープンな音声認識モデル「Rumble-2-Flash」の公開が告知されました。40以上の言語を扱う0.5Bパラメータのモデルで、Apache 2.0ライセンスで配布されています。音声の文字起こしを無料のAIモデルで自分のパソコン側にそろえたいと考えている個人にとって、検討できる選択肢が一つ増えた発表です。
要点
- 2026年11月18日、Rumble-2-FlashがApache 2.0ライセンスで公開された
- 0.5Bパラメータの音声認識モデルで、40以上の言語に対応し、言語の自動判定ができる
- TransformersとvLLMがネイティブ対応で、カスタムコードは不要
- Open ASR Leaderboardの多言語トラックで平均6.96%のエラー率、英語トラックで平均6.6% WER
- バッチが埋まった状態で7,000 RTFx超、1時間の音声を約0.5秒で処理する速さ
何が発表されたか
Rumble-2-Flashは0.5B(5億)パラメータの音声認識モデルで、自分の3〜60倍の大きさのモデルと競うと説明されています。Apache 2.0ライセンスで公開され、重みはHugging Face Hubの「Reson8/Rumble-2-Flash」にあります。開発元のAPI経由でも利用できます。
扱える言語は40以上で、言語の自動判定に対応します。出力の制御としては、数字を算用数字で出すか語で出すか、フィラー(「えー」などのつなぎ言葉)、言い直しの繰り返し(verbatim repeats)、言語の固定といった指定が挙げられています。
動かし方はuv pip install torch transformers accelerateで必要なライブラリを入れ、Transformersから呼び出す形です。音声の指定には、ローカルのファイルパス、URL、NumPy配列、またはそれらのリストを渡せます。TransformersとvLLMにネイティブ対応しており、カスタムコードは不要で、フォークしたランタイムやtrust_remote_codeも要りません。アーキテクチャにはQwen3-ASRを採用しています。
精度と速さ
Open ASR Leaderboardの多言語トラックでは、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・英語の平均で6.96%のエラー率です。これは15倍大きいMetaのomniASR-LLM 7Bより良く、Whisper large-v3より前に出るとされています。英語トラックでは平均6.6% WER(単語誤り率)です。
速度については、バッチが埋まる大きなデータセットで7,000 RTFxを超え、1時間の音声を約0.5秒で処理する水準と説明されています。
電話の音声では、AppTekのコールセンターのベンチマーク(302時間のヘルプライン通話、14種類の英語アクセント、AppTek独自のスクリプトで採点)で7.86% WERでした。NVIDIAのNemotron 3.5 Transcribe(30B)の7.78%と同等で、同じ系列のQwen3-ASR 0.6B(8.7%)を大きく上回っています。この比較で上回ったのはQwen3-ASR 1.7B(7.4%)だけでした。
学習は、より大きな本番モデルRumble-2からのon-policy distillation(蒸留)で、GOLDという手法によって2つのトークナイザの切り方の違いを揃えています。
個人の仕事や学びにどう使えるか
一つ目は、長い音源をまとめて処理したい場面です。1時間の音声を約0.5秒で処理する速さが示されているので、ライターや編集者が取材音源をためてから一括で下書きに起こす流れが組みやすくなります。ただしこの数値はバッチが埋まる条件での値なので、1件ずつ処理するときは体感が変わります。
二つ目は、電話や通話の記録です。コールセンターのベンチマークで7.86% WERという結果が出ているため、カスタマーサポートやインサイドセールスの担当者が通話の内容を文章に残す用途を試す価値があります。
三つ目は、自分の環境に組み込む使い方です。TransformersやvLLMがそのまま使えるので、情報システム担当やエンジニアが社内の検証環境に載せて、文字起こしから要約までの処理を自分でつなぐ形を作れます。ChatGPTのような対話型サービスの音声機能を使っている人は、手元で動かすものと画面上で完結するものを用途で分け、それぞれの利用条件を公式のヘルプで確かめてから決めるとよいでしょう。
会社・チームで使うときのポイント
Apache 2.0ライセンスで重みが配布されているため、自分たちの環境に置いて動かす構成も検討できます。一方で、どの言語をどこまで扱うか、どんな音源で精度が足りるかは、実際の音声で試してから判断する必要があります。出力の制御で数字の書き方やフィラーの扱いを決められるので、議事録や記録の書式をチームで先に決めておくと手戻りが減ります。法人での導入や研修を考えているなら、株式会社デジライズに相談できます。
使う前の注意点
対応言語は「40以上」とされていますが、ベンチマークで名前が挙がっているのは中国語・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・英語です。自分が扱う言語がどう扱われるかは、公式のモデルページで最新の対応範囲を確かめてから使うのが安全です。
コールセンターのベンチマークは14種類の英語アクセントによる通話が対象で、採点もAppTek独自のスクリプトで行われています。条件が自分の音源と違えば結果も変わります。また、動かすにはtorch・transformers・accelerateを入れる手順が前提になるので、パソコンの環境を整える手間は見ておきましょう。API経由で使う場合の条件は、公式の案内で確かめてください。
まとめ
Rumble-2-Flashは、0.5Bという小さなサイズで多言語の文字起こしに対応するオープンモデルとして2026年11月18日に公開されました。まずは手元の音源を一つ処理してみて、自分の用途で精度が足りるかを確かめるのが近道です。音声を仕事の入口として使いこなす流れを体系的に学ぶなら、デジライズAIスクールのコース一覧にある「IT・デジタルの音声入力活用(職種別|IT・デジタル)」もあわせて確認してみてください。
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。
