Third Intelligence、0円の文字起こしAIはMacで動かない

GoogleでフォローするGoogle検索でAInformationの記事が出やすくなります

Haas-ja-v1.0が公開　Geminiの文字起こしを上回る

日本のAI企業Third Intelligenceが、日本語に特化した音声認識モデル「Haas-ja-v1.0」を公開した。パラメーター数は6億1580万と軽く、精度と速さの両方を売りにしている。重みはHugging Faceに、推論のコードはGitHubに置いてある。ライセンスはApache License 2.0だ。

同社が測った日本語の精度では、評価したオープンモデルの中でいちばん高い点が出た。商用のGemini 3.5 transcribeも上回ったという。同じくらいの精度のモデルの中では、処理の費用がいちばん安いとも示している。

無料のデモもある。GIGAZINEが4分19秒の音声を入れると、アップロードが終わってから0.32秒で文字起こしが終わった。ただし「くまみね先生」が「くまみ先生」になるなど、人の手直しが要る箇所は残っている。

会議の録音29秒で試した　登録なしの固有名は6語中4語

AInformationは11月2日に、公式デモへ会議の連絡を読み上げた29秒の音声を3回ずつ送った。中身は5つの文で、キントーン・セールスフォース・渡部・東海林・RPA・ノーションの6語を入れてある。音声はmacOSの読み上げで作り、雑音を重ねた版も用意した。

語を登録しないと、表記どおりに出たのは雑音なしで6語中4語、雑音ありで3語だった。キントーンは「金と音」や「ヒント4」になり、RPAは小文字のrpaで出た。デモの「カスタム語彙」に6語と読みを登録すると、雑音なしは6語すべて、雑音ありは5語まで上がった。

AInformation独自検証（2026年11月2日）。29秒の音声1本を雑音なしと雑音ありの2通りで送った。回数はHaasが各3回でgpt-4o-transcribeが各2回、言語は日本語を指定した。Haasは3回とも同じ文を返した。

速さはHaasのほうがはっきり上だ。デモが示すモデルの処理時間は0.10秒前後で、語を登録しても0.15秒で済む。比べたのはChatGPTと同じOpenAIの文字起こしAPIで、雑音ありでも5語を出したが返るまでに2秒前後かかった。雑音ありのキントーンは、Haasでは登録しても「ヒント4」のままで正しく書くことはできなかった。

Macでは動かない　NVIDIAのGPUを積んだLinuxが要る

手元のパソコンで動かす道は狭い。GitHubの説明書は動く環境をNVIDIAのGPUを積んだLinuxに限っており、CPUとmacOSには対応しないと書いている。編集部の手元はMacなので、今回はブラウザのデモで試した。

この条件は、会議の音声を社外へ出したくない会社にとって分かれ目になる。クラウドの文字起こしは録音を外へ送るので、ChatGPTに学習させない設定のような手当てを毎回考えることになる。Haasを社内のGPUサーバーに置ければ、録音は社外へ出ない。

AInformation調べでは、議事録・文字起こしに使えるAIツールは46本ある。料金が分かった38本の月額の中央は2,237円で、日本円で払えるのは12本だけだ。Haasはライセンス料がかからない代わりに、GPUを積んだLinuxの環境を自分で用意することになる。

まずデモに自社の録音を1本入れる　社名は登録して比べる

最初にやることは、デモに自社の録音を1本入れることだ。ブラウザで開いてファイルを選ぶか、マイクで録音すれば文字になる。デモは外部のサーバーなので、社外秘の会議でなく公開してよい音声で試しておきたい。

次に、社名・製品名・担当者の名前を「カスタム語彙」に登録して、前と後を比べる。今回の試験では、登録しないと6語中2〜3語が崩れた。社内の固有名をどこまで拾えるかで、清書の手間はほぼ決まる。

使えそうなら、情報システム部門にGPUを積んだLinuxの環境があるかを聞く。無い会社では、外へ出せない会議だけをどう扱うかが次の論点になる。