何が起きたか
- Hugging Faceは2026年11月6日、Liva AIとの協力を発表した。自動音声認識のリーダーボードであるOpen ASR Leaderboardに、エジプトとナイジェリアという2つの新しいアクセントの非公開データを追加する。
- 数か月前、このリーダーボードはAppenとDataOceanAIの非公開データを取り入れていた。5つのアクセントにわたる、台本ありの音声と会話形式の音声の11の分割だ。その後、Voice Arenaを通じて、インド訛りの英語をもう1つ加えた。
- 今回の新しいアクセントにより、リーダーボードはより豊かな内訳を示すようになった。基準はKachruの「3つの円」モデルで、内円圏（米国、英国、オーストラリア、カナダ）と、外円圏・拡大円圏（インド、ナイジェリア、エジプト）を比べる。
- この内訳の発想は、Hume AIのリーダーボードから来ていると、Hugging Faceは認めている。
なぜ重要か
- 米国英語の話者をよく理解するモデルでも、ほかのアクセントでは成績が落ちることがあり、全体の平均はその差を隠してしまう。
- 非公開データは公開されないため、モデルをそれで訓練することはできない。これにより、Hugging Faceが「benchmaxxing」と呼ぶもの、つまり実際の利用ではなくテストに合わせた最適化が減る。
- 評価に含まれるアクセントや言語が増えれば、英語圏の外でこれらのシステムを使う人々がよりよく反映される。
数字で見る
5、プラス1、プラス2。 リーダーボードは5つのアクセントにわたる11の非公開分割から始まり、その後インド訛りの英語を1つ加え、今回さらにエジプトとナイジェリアの2つのアクセントを加えた。
背景
Liva AIは、実際の人々が使う消費者向け製品を通じて、マルチモーダルなやり取りのデータを集めている。Hugging Faceによると、収集環境と配布を自社で管理しているため、ドメイン、言語、モダリティごとの特定のモデルの弱点に合わせて製品を設計でき、引き出されたタスクではなく、自然で文脈の豊かな振る舞いを得られる。
この説明はHugging Faceのもので、提携先の視点を反映している。文章には、新しいアクセントでのモデルの結果も、追加された音声の時間数も示されていない。
ASRのリーダーボードは、テキスト音声合成モデル向けのもう1つのリーダーボード、Open TTS Leaderboardと並んで運営されている。どちらも、開発者がオープンなモデルを比較できる共通の場を提供することを目指している。
Mamíferoは音声認識と音声合成を追っている。NvidiaがNemotron 3.5 Transcribeをオープンモデルとして公開したことと、Phononが75 MBでオフラインの音声生成をすることを伝えた。ほかに、Impression-R1が放射線科の所見を下書きすること、検索の各ステップに報酬を与えるとエージェントがより信頼できるようになることも伝えている。
今後
- 音声認識モデルは今後、アクセントのグループ別にも評価される。
- Hugging Faceは、アクセント、言語、データ提供元を今後も増やしていくとしている。
- これらの新しい非公開セットでのモデルの結果は、発表ではまだ公表されていない。
まとめ
公開されたテストは、暗記するまで研究できてしまう。誰も見ないデータとより多くのアクセントによって、このリーダーボードは、モデルが話しかける人を本当に理解しているかを測ろうとしている。
出典
- Hugging Face、「Egyptian and Nigerian English join the Open ASR Leaderboard」、2026年11月6日、リンク。
- カバー画像：Josephenus P. Riley、CC BY 2.0、Wikimedia Commonsより
編集：Rodrigo Cornejo。選定と検証の方法：ノートを書いているのは誰か。
,_Abbey_Road_Studios.jpg){kind=link}