日本語の文字起こしモデル11個を無料GPUで比べたら、読み上げ1位が放送音声で8位だった

日本語の文字起こしにどの公開モデルを使用すべきかについて、まとまった比較が見当たらない現状がある。Hugging FaceのOpen ASR Leaderboardには英語中心の指標はあるが、多言語の欄に日本語は含まれていない。日本語の比較については、企業ブログによる単発の記事がいくつか存在するものの、条件がそれぞれ異なっている。

そこで、11のモデルを同一の条件下で測定した。測定にはGoogle Colabの無料のT4を使用しており、費用は発生していない。結果はHugging Faceに掲載されており、各発話ごとの出力も含まれている。なお、読み上げ（reading aloud）で1位となったモデルは、放送音声（broadcast audio）では8位という結果であった。