Show HN: 音声から得られる単語時刻軸を提供する API が、20 ミリ秒以内で 75% の精度を達成

2026/11/18 0:16

Show HN: 音声から得られる単語時刻軸を提供する API が、20 ミリ秒以内で 75% の精度を達成

RSS: https://news.ycombinator.com/rss

要約▶

Japanese Translation:

Quebec ツールは、曖昧な時間制約と専用の境界モデルを組み合わせて、音声オーディオの配置における単語削除エラーを修正するための画期的な解決策を提供します。このアプローチは、American Buckeye コーパスのような困難なデータセットにおいて、WhisperX、ElevenLabs、MFA などの既存の方法を大幅に上回っており、手動ラベルからの 20 ミリ秒以内の単語境界として 75–77% を達成しました(対照的に競合他社は約 54%)。このシステムは、二つのステージからなるアーキテクチャによりこの精度を実現しています:まず ElevenLabs Scribe のタイミングを使用して重大な「時間なし」エラーと悪いカットを防ぎ、次に高品質な LLM 生成ラベルでトレーニングされた畳み込みニューラルネットワークを採用して境界を微調整します。以前のアライナーがノイズの多いデータに苦しんだり単語配置を完全に失ったりする点とは異なり、Quebec は HuBERT などの重いモデルではなく Whisper tiny レイヤーを活用することで処理レイテンシを大幅に削減し、1 分あたり 4 秒から 1 秒未満まで短縮しています。ユーザーは簡単なキーリクエストで登録なしで、このコスト効率が高く(0.32 ドル/時間)、低レイテンシーの API に直ちにアクセスでき、60 分の長さのファイルをサポートし、ファイルサイズ制限 (413) や不十分な残高 (402) などの特定のエラーを処理します。

本文

Quebec: 高精度な強制配置(Forced Alignment)システム

背景と課題

  • Yarn の現状: 動画編集ツール Yarn で単語を削除する際、隣接する単語が誤って切り落とされる現象が頻発していました。
    • 各単語の時間情報は「強制配置(Forced Alignment)」によって決定されます。
    • 既存のモデルの精度には限界があり、より高品質なシステムが必要でした。

Quebec システムの実績

  • 高い精度: Quebec の結果では、77%の単語境界が人手によるラベルと20 ミリ秒以内の誤差で一致しました。
    • 次点のモデルは 54% に留まりました。
  • 課題の特定: 正確な切り取りには、各単語の開始・終了時刻が約 20 ミリ秒以内であることが必要と判明しました。

評価指標と既存モデルとの比較

  • 主な評価指標

    • 人手設定位置から 20 ミリ秒以内にある単語境界の割合。
    • 単一単語の削除操作で失敗する頻度(不良切り取り)。
    • Yarn エディタは次の単語とのギャップの中点で切り取るため、隣接単語が±50 ミリ秒以上ズレると「不良切り取り」と判定します。
  • 既存モデルの問題点

    • WhisperX, ElevenLabs: 単語開始を約 50 ミリ秒遅らせる傾向あり(原因未解明)。時系列情報自体にノイズが含まれます。
    • Montreal Forced Aligner (MFA): より高精度ですが、以下の不具合があります。
      • 約12 に 1の単語で時刻情報が返らない。
      • フレーズ全体が明らかな発話部位と異なる場所に配置される。
  • [グラフの説明]

    • Word start error (単語開始誤差): 各システムが手動ラベルからのずれ(対象:13,900 語)。
    • Window ±20 ms: この窓内に収まる単語開始の割合。
  • Quebec の改善効果: これまでの技術では解決できず、人手に近い精度を達成しました。

    • [利用リンク] quebec.yarn.so で無料で試せます(月曜日の東部標準時午後 8 時まで無料枠あり)。

Quebec の構成要素と処理パイプライン

Quebec の成功には以下の 3 つの要素があります。

  1. カスタムデコーダを用いたフェンス付きビームサーチ。
  2. 境界をシャープにする軽量ニューラルモデル。
  3. そのモデルへの高品質な訓練データ。

処理パイプライン構成図

  • 音声 → トランスクリプション: ElevenLabs Scribe (32%)
  • → フェンス付きデコーダ: MFA アコースティックモデル (60%)
  • → 境界モデル: Whisper Tiny, 2 レイヤ (77%)

技術詳細:3 つのステップによる改善

1. デコーダ:MFA シーチにフェンスを施す

[課題] MFA のビームサーチは非現実的な経路を削除(プリーニング)しますが、入力とトランスクリプトが矛盾すると正しい経路が捨てられてしまうことがあります。

  • 解決策: トランスクリバ(ElevenLabs Scribe)の時刻情報は荒削りですが、大幅な誤差は稀です(単語 2% 以下で 200 ミリ秒以上ズレることは稀)。
    • トランスクリバが示すおおよその位置を「フェンス」として使用し、高精度なサーチはその周辺のみを対象とさせます。
  • 独自のデコーダ: MFA のアコースティックモデルを使用し、各単語はトランスクリバの位置から200 ミリ秒以内で開始・終了する必要があります。
    • 効果:
      • 非現実的な経路の削除不要:長尺音声を休止点で分割して並列処理可能に。
      • 時刻情報が返らない単語の割合:12 に 1 → 500 に約 1へ改善。
      • 不良切り取り率:**21% (MFA) → 12%**へ減少。

2. 境界モデル:境界のみを検出する軽量モデル

[課題] フェンス技術により位置ズレは解決しましたが、アコースティックモデル自体には限界があり、約 60% の境界しか 20 ミリ秒以内に収まっていませんでした。

  • アコースティックモデルの限界:
    • 音声を 10 ミリ秒ごとのスライスでラベル付けします。
    • 音声結合部でフォネムが重なり合うため、スコアが変わらないことが多く、境界線の決定が困難です。
  • 解決策: 境界の前後 200 ミリ秒分の音声を分析する**畳み込みニューラルネットワーク (Convolutional Net)**を追加。
    • 入力: スペクトログラムと Whisper Tiny の最初の 2 レイヤから得られた特徴量。
    • 機能: ウィンドウ内の境界位置を 5 ミリ秒ステップで特定し、最大50 ミリ秒だけ移動させることができます。
    • 原理: アコースティックモデルは「どちらでもよい」領域を判定するが、このネットワークは正確な位置を 1 つ提示します。フェンス技術により境界の大部分(9/10)が既に正しく収まっていたため、「次の音への引き継ぎ点」の決定という限定された課題しか残されていません。
    • 訓練データ: 約73,000のラベル付け済み境界(公的・私的録音データから収集)。LLM を活用したデータ構築が効率よく行えました。

3. 訓練データ:人手によるラベル付けデータの入手

[課題] 高精度なネットワークには人手でマークされた境界線データが必要ですが、オープンライセンスデータは限られます。Map Task コーパス(約 56,000 語)でも多様性に欠けていました。

  • LLM を活用したラベル付け:
    • LLM に直接プロットを描画させるアプローチでは失敗しました(トークン消費が多く性能向上なし)。
    • 成功のアプローチ: Gemini に一度呼び出し、デコーダの推測、異なる 2 つのプロット、および単語開始・終了に関するルールページを提供。
  • 判定ルールの例:

    「母音、鼻濁音、または流音で終わる語の場合、その語は通常のリッチな声門パルスが止まり、500-4000Hz のエネルギーが崩壊する地点で終了します [...] 弱い減衰性の低周波のうめき声 [...] は休止期間に属します。」

  • 検証結果:
    • Gemini のラベルは人手ラベルに対して**69%**の場合、20 ミリ秒以内の誤差でした。
    • 異なる 2 つの Gemini モデル間でも、**94%**が互いに 20 ミリ秒以内で一致しました。
    • 自己評価: 自社製品(約 17,000 語)をラベル付けし、訓練データとして使用しました(費用:200 ドル未満)。

結果:Buckeye コーパスでの性能比較

以下の結果は、Quebec の訓練データに含まれないアメリカ人の音声コーパス(Buckeye corpus)に対するものです。

システム20 ミリ秒以内の境界 (%)不良切り取り (%)
Quebec7511
MFA6119
ElevenLabs3039
WhisperX2449
  • 削除処理のビジュアル: "should go straight"から"go"を削除する場合、帯の色で各システムの切り取り位置が示されます。Quebec は他システムと比べて正確な位置で切り取っています。

性能 (Speed)

  • 並列化による高速化: 長尺音声も休止点(2 分ごと)で分割して並列処理するため、短尺音声との差は僅かです。
  • デコーダの高速化: フェンス技術により探索余地が極小化され、Kaldi サーチと比較して約2 倍高速。
    • Lambda CPU 上の境界モデル処理速度:0.7 秒/分。
  • モデル比較:
    モデルサイズ処理速度 (分あたり)精度 (20ms 内)
    HuBERT (9 レイヤ)293MB4 秒76%
    Whisper Tiny (初期 2 レイヤ)19MB0.7 秒77%

注意点 (Caveats)

  • 言語限定: 現時点で英語専用。手法自体は言語非特化ですが、他の言語での実装は未進行です。
  • アーキテクチャの組み立て: アコースティックモデル(MFA)、大まかな時刻情報(トランスクリバ)、特徴量(Whisper)を組み合わせ、境界ラベルを用いて訓練を行いました。ゼロから全てを作るわけではありません。

試しに使用してみる (Try it)

Quebec は以下の機能を提供します。

  • 音声送信 → 単語付きトランスクリプトの取得。
  • 既存トランスクリプト指定 → 時刻情報の付与。
  • 登録不要(月曜日の東部標準時午後 8 時まで無料枠あり)。

ドキュメント: quebec.yarn.so/llms.txt でプレーンテキスト形式でも確認可能です。

課金体系

  • 料金: 音声時間あたり $0.32(秒単位精算)。失敗したリクエストは無料。
  • 制限: 英語限定、ファイルあたり最大 60 分・1GB。処理時間は約 1 分/時。

API 利用ガイド

1. キーの作成

curl -X POST https://quebec.yarn.so/keys
  • 返答例:
    -> 201 {"api_key": "qb_123_...", "balance_usd": 0, ...}
  • 注意: API キーは一度しか表示されないため、安全な場所に保存してください。
    • 紛失時は
      help@yarn.so
      にメール送信。

2. クレジットの追加

  • ブラウザで
    [top_up_url](https://quebec.yarn.so/top-up/123)
    を開きカード払い($10 基準)。
    • 金額変更:
      ?amount=25
      または
      ?amount=100
      。
  • 企業メールアドレスボーナス: $5 無料付与あり。
curl https://quebec.yarn.so/credit -H "Authorization: Bearer qb_123_..." \
  -H "Content-Type: application/json" -d '{"email": "jo@acme.com"}'

3. トランスクリプション(音声 → テキスト+時刻)

curl https://quebec.yarn.so/transcribe -H "Authorization: Bearer qb_123_..." -F file=@talk.mp3
  • 返答例:
    -> 200 {"text": "...", "words": [{"text": "Hello,", "start": 0.43, ...}], "cost_usd": ...}

4. 既存トランスクリプトに対する配置(Align)

curl https://quebec.yarn.so/align -H "Authorization: Bearer qb_123_..." \
  -F file=@talk.mp3 \
  -F text="Hello, there."
  • text
    パラメータは話者ラベルやタイムスタンプの付いていないプレーンなトランスクリプトです。

5. バラン斯的確認

curl https://quebec.yarn.so/balance -H "Authorization: Bearer qb_123_..."

エラー形式

エラー応答例:

{"error": {"code": "...", "message": "..."}}

コード説明
401
invalid_key
認証ヘッダー欠落またはキー不明。
402
insufficient_balance
バランスが $0 以下(補填リンク参照)。
400
missing_file
ファイルフィールド未指定。
400
missing_text
/align
エンドポイントにトランスクリプトテキスト欠落。
400
too_many_fields
5 つ以上の追加フォームフィールド存在。
400
unreadable_audio
ファイルのオーディオ読み込み失敗。
400
invalid_amount
クレジット追加時、金額は 10, 25, 100 のみ可。
400
invalid_email
/credit
で JSON 形式未準拠。
404
not_found
ルート不存在またはアカウント不明。
409
not_eligible
利用不可(無料枠制限、重複認証済みなど)。
409
credit_unavailable
無料クレジット一時的に停止中。
413
too_long
オーディオ長が 60 分超過。
413
too_large
ファイルサイズ 1GB 以上、またはテキスト 1MB 以上。
413
too_much_text
/align
で 10 語/秒以上の高速処理試図。
429
busy
システム容量いっぱい(指定時間後再試行)。
500
internal_error
サーバー側エラー。再試行してください。
502
failed
リクエスト失敗かつ未課金。再試行してください。

注釈 (References)

  • Map Task: HCRC Map Task コーパス(CC BY 4.0)の 212 分を使用。
  • 統一基準: すべてのシステムが同じ ElevenLabs Scribe トランスクリプトを使用。
  • モデル構成: MFA はデフォルト設定 (3.x)、Gemini は Gemini 4 Argon モデル使用。
  • Buckeye コーパス: テスト用としてのみ使用。
  • 精度数値: 79% という数値は Goldman (2011) が別のコーパスについて報告したものです。

同じ日のほかのニュース

一覧に戻る →

2026/11/21 3:33

慌ててのお知らせ:Alessandro Masullo(GRH)

## Japanese Translation: Alessandro Masullo は、数十年にわたる数学的猜想である一般リーマン予想(GRH)に関する証明の提案を発表し、その公開が迫っていると表明した。この画期的な成果は完全に人間によるものであり、数学者の Brian Conrad による強力な検証が得られている。Conrad 氏は草案を数月にわたり精査し、現在統合されている詳細なフィードバックを提供しているもともとの予定では、Masullo 氏がさらに推敲のためにスタンフォード大学で 1 年間過ごすことが計画されていたが、現在は米数学会会議中に現在の草案を即座に公開することが専門家による迅速な検証を可能にするとして最適と判断されている。直近の目標は、専門家が既存の理論枠組み内において議論を正式化し、わずかなギャップを速やかに解消することである。成功すれば、この長年の未解決問題の解決は数論に大きな影響を与え、分野全体の焦点を新たな証明をその核心構造に取り入れることへとシフトさせながら、その厳密な正確性を確保することとなる。

2026/11/21 5:12

インクリンク 2 ミニ

## 日本語翻訳: Anthropic は、標準的な消費者向けラップトップ(例:MacBook Pro M5 Pro)のローカルでの利用を目的とした、高効率な人工知能モデル「Inkling 2 Mini」を発売します。この 264 億パラメータを持つエキスパート混合物(Mixture-of-Experts)システムは、中間層にループアーキテクチャを独自に採用しており、トークンあたり 6 層のブロックが 2 つあり、それぞれがトークンごとに 3 回ループします。この設計により複雑な推論能力を強化しつつ、出力は簡潔で人間が読みやすいものとして保たれます。モデルにはアクティブパラメータ 34 億と、ループオーバーヘッドを含むトークンあたり重み活性化値 54 億があります。重みは最初の 20 層で NVFP4 でトレーニングされ、最後の 4 層では MXFP8 でトレーニングされており、NVIDIA GB300 プラットフォーム上でトレーニングされたにもかかわらず量子化による損失はありません。 ベンチマーク結果により、他の 100B パラメータ未満のモデルを上回ることがコーディングタスクで確認されており、DeepSWE v1.1(48.2%)および Vals Index v2.2(46.5%)においてオープンウェイトモデルで首位に立ちました。PMPP-Hard ではより大きな Inkling 2 Small に迫るコーディングスコアを達成し、SWEBench Multilingual などでは Qwen3.8-27B のみを凌ぐ水準です(Inkling 2 Mini: 79.2% vs Qwen: 71.1%)。ループアーキテクチャにより、「no-CoT 時間地平線」が延長され(Think Fast タスクでは 16 秒から 37 秒へ)、人間が読みやすい出力を維持できますが、これらの思考を制御する steerability は依然として低く(〜0.1%)です。LinuxArena での安全性テストでは、Qwen3.6 にて監視された場合、ループ回数に基づくモニタービリティの明確な傾向は見られませんでした。 Stanford の Hazy Research Lab と Goodfire lab と共同開発されたこのモデルは、先進的な NVFP4 量子化技術を採用し、高いインテリジェンス毎ジュール効率(DGX Spark で 0.703)を維持しています。研究者たちは現在、Tinker や Hugging Face を介してオープンウェイトに直接アクセスし、推論をカスタマイズできるようになりました。これには、変数ループの研究用バリエーション("TML-d24-varloop-research")も含まれており、1 回から 5 回のループパスをサポートします。このリリースは、洗練されたオフライン AI 機能を日常デバイスへ持ち込む方向への大きな転換を示しています。研究者たちは、同モデルが構築したフライトシミュレータを飛行モードで実行することに成功し、その実現可能性を実証しました。

2026/11/21 7:30

NINLIVE:ナイン・インチ・ネイルズのライブアーカイブ

## Japanese Translation: この独立した、親和関係のないファン運営のアーカイブは、「The Future Is Here」というプラットフォームを介して、1988年から2026年までのニル・ヤンナイルスのコンサート1,200回以上のストリーミングアクセスを提供しており、46カ国373都市の公演にわたります。デジタルライブラリには、1,900以上の録音、4,600枚以上の写真およびメディアファイル、363曲のトラックが含まれています。最近、管理者たちは歴史的なオーディオ転送の大きな未処理作業を完了しました。これには、NYCのテーパーのための200本のDATテーププロジェクトの完了や、acc123456コレクションの追加などがあり、新しいファンの投稿のより迅速な統合を可能にしています。アーカイブ上またはまだ存在しないアイテムや新しい転送の依頼はメールでお問い合わせいただけます。コンテンツキュレーションはコミュニティによる貢献によって推進されています:管理者が各公演に対してチケットスラブ、セットリストスキャン、パス、写真を追加する一方、カメラマンは外部サイトへのリンクを付与した公演ハイライトの投稿を招待されます。お気に入りの録音を保存し、コンテンツを整理するためには、Discord経由でログインする必要があります。ニル・ヤンナイルスのコアツアーのみならず、関連プロジェクトやサイドパスもアーカイブに含まれており、積極的な参加を通じて歴史保存と現代的アクセシビリティのバランスに成功しています。

Show HN: 音声から得られる単語時刻軸を提供する API が、20 ミリ秒以内で 75% の精度を達成 | そっか~ニュース