ASR ベンチマークの過去の記録

English | 中文 | 한국어

このページは、以前の FunASR 比較を参照する読者のために、出典情報が不完全な過去の記録を保存したものです。 新しい測定、汎用ランキング、現在の checkpoint・機器・デプロイに対する保証ではありません。 対象データは中国語の音声であり、この日本語ページは日本語や韓国語の認識精度を測ったものではありません。 新しい評価を行う場合は性能測定の方法（英語）から始めてください。

過去の概要

下表は元の日本語ページの表現と数値を保持しています。 「最高」などの表現はその報告の範囲だけを指し、すべてのモデルやハードウェアには適用できません。

全体実行の 169.6x と初回実行の 211.8x は、別々に報告された結果です。 元のページは測定日を明記していません。2026-09-07 は出典スナップショットを確認した日であり、測定日ではありません。

過去の結果

この表のすべての数値とメモは元の報告の歴史的な記述であり、現在の API の機能保証ではありません。 モデルが生のタグを出力することは、HTTP エンドポイントがそのタグを返すことを意味しません。 過去のタイムスタンプに関する記述も、現在のモデル選択ガイドに代わるものではありません。

CPU/GPU の行で同じ CER が繰り返されていても、それぞれを独立に採点した証拠にはなりません。 確認した資料には、生の予測、参照テキスト、採点プログラムがありません。 「タグを除去してから CER を計算」という記述は過去の主張として保存しており、今回検証した採点結果ではありません。 数値の桁数や丸められた速度・RTF の組は、再計算せずに保持しています。

出典と制約

元の日本語 HTMLは 過去の GitHub Pages のコミットに固定されています。出典確認時に、このファイルは保存済みの公開ページの スナップショットとバイト単位で一致しました。これは表の出典を示すものであり、 測定の正しさや再現可能性を証明するものではありません。

元の報告では RTF を総推論時間と総音声時間の比、速度をその逆数としています。 速度は RTFx とも呼ばれます。

RTF  = total inference time / total audio duration
RTFx = total audio duration / total inference time = 1 / RTF

次のコマンドは過去の記録であり、確認したチェックアウトからそのまま実行することはできません。 確認した FunASR ソースのリビジョン 386f6f9106684ba5a114e796147db4396a09eab5 には、 参照先の三つのファイルがありません。本ページは代替スクリプトや再現用データを提供しません。

python benchmark/run_full_benchmark.py
python benchmark/run_remaining.py
python benchmark/fix_sensevoice_cer.py

元の報告では CPU の型番・スレッド数、データの構成と参照テキストの一覧、正確な checkpoint のリビジョン、 ソフトウェア・ドライバーのバージョン、ファイルごとの予測や計時ログが明らかではありません。 ウォームアップ、I/O、前処理を含むかなど、計時範囲も十分には記録されていません。 これらがないため、この表を直接再現することはできず、CPU と GPU の比較をあらゆる本番環境に一般化できません。

この記録の 11,539 秒と、vLLM の測定方法（英語）に記載された 11,541 秒は別々に引用してください。両方が 184 ファイルと述べていても、同じファイル群であるとは限りません。 二つの表を統合したり、2 秒の差を勝手に補正したりしないでください。

現在の選び方

以下は元の推奨表を過去の文脈として保存したものです。 新たに検証した推奨や性能ランキングではありません。

現在の判断には、モデル選択、Agent のインターフェースと制約、 デプロイ方式、vLLM ガイド（英語）を使ってください。 別 checkpoint である MLT-Nano の 31 言語対応を、基本 Fun-ASR-Nano の対応範囲と混同しないでください。 対象言語、手元の音声、実行環境、エンドツーエンドの遅延を評価してから方式を選びます。 公式 native vLLM と split-engine は checkpoint と API が異なるため、相互に置き換えないでください。

新しい計測には性能測定の方法（英語）、同時接続を伴うリアルタイムサービスには WebSocket ベンチマーク（英語）を参照してください。 現在の移行用計時ツールは手元の音声で FunASR の時間を測るもので、 CER/WER を計算せず、Whisper も実行せず、欠けている過去のスクリプトを再現しません。 計時範囲、失敗したファイル、品質評価は分けて明示してください。