Earlybirdが16.8MBモデルを公開

Earlybirdの設計上の選択は異例だ。ほとんどのストリーミング音声モデルは単語が言い終わるのを待ってから表示するが、このモデルは発話中に単語を予測して表示し、必要に応じて修正する。開発者の公表値では、単語表示の中央値は発話完了の90ms前で、他のストリーミングモデルは完了後90〜400msとなっている。また、このモデルは未完成の単語を含め、表示するすべての単語に0〜1の信頼度スコアを付与する。開発者によると、信頼度90%超の未完成単語は91〜96%の確率で正しい。

トレードオフは明確だ。クリーンな英語朗読音声での精度はこのサイズとしては強力で、LibriSpeech cleanでエラー率4.37%だが、決算説明会音声では21.91%、会議音声では21.23%に跳ね上がり、静かな単一話者のコンテンツに最適であることを示唆する。また4ビット重み形式のため、読み込みは標準のTransformers自動読み込みではなく同梱のearlybird.pyファイルを経由し、組み込み導入では管理するファイルが1つ増える。CPUで動作するとはいえ、リアルタイム音声に追従できるかはマシンに大きく依存するため、開発者はまず自身の環境でストリーミング速度を測定するよう助言している。