スマートフォンで音声モデル選びが重要な理由
音声モデルは、対応言語、文脈、速度、保存容量、作業メモリの間で異なるトレードオフを持ちます。1つの非表示の既定値ですべてのAndroid端末には対応できません。
すべてのAndroid端末に共通する最高の音声認識モデルはありません。文全体の文脈を多く使うモデルは、必要なメモリが増え、完了まで時間がかかる場合があります。小型モデルは古い端末でも素早く応答できますが、異なる誤りをすることがあります。対応言語も別のトレードオフです。
Loquelaがモデル選択を公開するのは、こうした違いが日常利用に影響するためです。
モデルによって変わる判断
対応言語
英語専用のパッケージもあれば、多言語対応または少数の言語に特化したものもあります。モデル名だけではその範囲が分からないことが多いため、Loquelaはインストール前に対応言語を表示します。
文脈と書式
フレーズの認識時に周囲の発話をどれだけ使うかはモデルごとに異なります。文脈が多いと、文単位の判断に役立つ場合があります。一方で、最終結果が遅くなったり、作業メモリが増えたりすることもあります。
保存容量とメモリ
ダウンロードサイズはファイル保存容量の負担です。作業メモリは認識器の実行中に使うRAMです。関連はありますが、同じ測定値ではありません。
Loquelaは、検証済みの配布元ファイルから正確なパッケージサイズを公開します。RAM値は、記録された実機テストによる測定値がない限り、推定と表示します。モデル証拠の方法論では、この2つの表示を区別しています。
端末との適合
高性能端末と古い低価格端末では、メモリ負荷、プロセッサー、発熱上限が異なります。Loquelaは大まかな端末性能を判定し、非対応パッケージを除外して、最初の候補を勧めます。利用者は有効な別案も比較できます。
現在のカタログ内容
現在の公開カタログには、7つのモデルファミリーから10種類の選択肢があり、旧インストール対応を含めると18個の検証済みパッケージがあります。各パッケージは、配布元アーカイブと変更不能なSHA-256値に結びついています。
公開モデル検索では、開発元、言語、多言語対応、端末適合度、文脈利用、ダウンロードサイズで絞り込めます。同じデータをJSONとCSVでも利用できます。
Loquelaが万能の1位を公開しない理由
1つのランキングでは、重要な条件が隠れてしまいます。
- どの端末でテストしたのか?
- どのAndroidバージョンとプロセッサーを使ったのか?
- 利用可能なメモリはどのくらいだったのか?
- どの言語と音声サンプルを試したのか?
- 時間測定はモデル推論だけか、それともStopから文字表示まで全体か?
- 精度、句読点、固有名、長い文脈を別々に評価したのか?
こうした詳細がないうちは、精密に見える数値より、分かっている長所と制限を実用的に説明するほうが誠実です。
Fullでは、必須のchecksumとmanifestを備えたカスタムHTTPSモデルパッケージも利用できます。この経路は、必要な互換パッケージをすでに理解している利用者向けです。検証を回避したり、非対応のruntimeを動作させたりするものではありません。