Sarvam AI、音声認識モデル Saaras V4 を発表──多重発話の単一パス処理で 7 つのグローバル英語ベンチマークを統合
ダイレクトなダイアライゼーションと ASR を単一パスで統合し、ElevenLabs Scribe v2 や Deepgram を凌駕するマルチスピーカー認識を実現した。
リリース: 2026-07-30 · 読了 3 分記事の要約
1. 核心（What）
- Sarvam AI は 2026 年 7 月 30 日、複数話者の重畳発話を処理する音声認識モデル Saaras V4 Multi-speaker を公開した。
- ダイアライゼーションと ASR を同時に実行する単一パス設計により、従来パイプラインで破棄されていた重畳発話やバックチャネルを保持する。
- Svarah（9.6 時間、117 話者、19 州）を含む複数のベンチマークで検証され、海外製を含む 7 つの英語ベンチマーク平均で SOTA を記録した。
- Sarvam API 経由で Rs. 1.5/min の価格設定で提供され、Hugging Face では 108 時間の会話データセットが無償公開されている。
2. 影響（Why）
- 重畳発話のロストを防ぐ設計: 従来の 3 パス処理で切り捨てられていた発話の重なりや相槌を単一パスで処理できるため、実世界の雑音が多い会議音声から正確なテキストを抽出できる。
- グローバル英語ベンチマークへの適応: インド国内のアクセントや方言に加えてグローバルな英語評価でも上位に食い込むため、特定の地域に依存しない汎用的な音声解析インフラとして組み込める。
3. 根拠・詳細（How）
- スピーカーバイアスモデルによる単一パス化: ダイアライゼーションと ASR を分離せず、話者の特徴をバイアスとして与えながら同時に処理する前方パスを採用し、処理のオーバーヘッドと情報の欠損を削減した。
- Svarah データセットによる検証: 19 のインド州から集めた 9.6 時間・117 話者の音声データ（読み上げと自発的な会話を含む）を用いてアクセント変動に対する頑健性を検証した。
4. 展望・課題（Next）
- Epoch 2026 ウェーブの展開: Sarvam 105B アップグレード、Bulbul V4 TTS、Vision 2.0、および主権型推論プラットフォームを含む一連の機能拡張が順次展開される予定。