ufak AIは2026年11月2日(現地時間)、31.6Mパラメータを持つトルコ語のオープンな音声認識モデル「ufakzeka-kulak」を構築し、その評価に関する論文をarXivで公開した。このモデルは、FastConformerエンコーダーとトークン・アンド・デュレーション・トランスデューサー (TDT)、CTCヘッドを組み合わせたアーキテクチャを持ち、ゼロから学習され、Apache-2.0ライセンスの下でリリースされた。
ufakzeka-kulakは、記号や句読点、数字を単語として記述したトルコ語を出力する。学習には4,977時間のデータが用いられ、これらは商用利用可能なライセンスを持つソースから収集された。うち281時間は人間によって転写され、残りの4,696時間はアップローダーの字幕または機械転写であり、音声と独立した2回目の検証で一致したもののみが採用された。
モデルの設計、チェックポイント、ラベル付け、エクスポートの選択は開発データに基づいて行われ、テストセットの評価は学習前に設定されたリリースゲートで一度のみ実施された。貪欲TDTデコーディングを用いた正規化単語誤り率 (WER) は、FLEURS Turkish testセットで0.0921 (95%信頼区間0.0792〜0.1055)、Common Voice 27.0 Turkish testセットで0.0916 (95%信頼区間0.0873〜0.0958) を記録した。これらの数値は、Whisper baseおよびWhisper smallのいずれのテストセットでも低い結果を示した。
一方、Whisper large-v3 (貪欲デコーディング) は、FLEURSで0.0604、Common Voiceで0.0767のWERを記録している。会話音声におけるWERは0.3807であった。論文では、句読点と大文字・小文字の処理、劣化音声での性能、および各エクスポートが学習済みモデルをどれだけ忠実に再現しているかも報告されている。著者はサイート・フルカン・テケ (Sait Furkan Teke) 氏。
参考: arXiv cs.CL (アーカイブ) — 2026年11月3日 03:42 (JST)
原文ハイライト"ufakzeka-kulak is an open Turkish speech-to-text model of 31.6M parameters"