Superwhisper、音声認識正規化モデル s1-mini を公開──0.6B パラメータで 94.8% のトークン精度を達成
Qwen/Qwen3-0.6B をベースに音声認識の生テキストを整形式へ変換する特化モデルで、462 MiB の軽量サイズによりノート PC の CPU でもローカル実行が可能。
リリース: 2025-05-14 · 読了 2 分記事の要約
1. 核心（What）
- Superwhisper は生 ASR トランスクリプトを整形済みテキストへ変換する 0.6B パラメータのモデル s1-mini を公開した
- 7,519 件の英語テストセットにおいてトークン精度 94.8% を達成している
- 量子化済みビルドのファイルサイズは 462 MiB であり、ノート PC の CPU 上で動作する
- Qwen/Qwen3-0.6B をベースとしてファインチューニングされており、対応言語は英語のみである
2. 影響（Why）
- ローカル環境での音声テキスト後処理: クラウド API を経由せずに 462 MiB の軽量モデルを手元で動かせるため、音声文字起こしアプリのレイテンシとインフラコストを大幅に削減できる。
- 国内音声認識プロダクトへの影響: 議事録作成ツールや音声アシスタントを提供する [国内 音声 SaaS 企業] などの開発者は、フィラー除去や表記揺れ修正の専用レイヤーとして低コストで組み込める。
3. 根拠・詳細（How）
- ベースモデルとパラメータ構造: Qwen/Qwen3-0.6B をベースに継承しており、埋め込み層の二重カウントを含む実効的なユニークパラメータ数は 596.0M となっている。
- 推論時の入力フォーマットと検証結果: システムプロンプト、制御ライン、改行、生 ASR トランスクリプトを直接入力する設計で、7,519 件の検証データで 94.8% の精度を記録した。
- 実行環境とライブラリ要件: transformers 4.51.0 以降の環境および GGUF ビルドを介した llama.cpp / Ollama / LM Studio での実行に対応している。
4. 展望・課題（Next）
- 多言語対応の拡張: 現在の v1 リリースは英語のみに限定されており、今後のバージョンでの日本語を含む多言語対応の拡張が待たれる。