2つのエンジン、1つの役割

字幕ワークフローごとに求められるバランスは異なるため、Rayは2つの音声認識エンジンを使用します。

Sunray（旧称Ray Max）は、精度を重視して調整されています。低リソース言語、アーカイブ資料、プロフェッショナルな字幕制作、そして話された音声に可能な限り忠実なテキストが必要なあらゆる場面に適したエンジンです。

MoonRay（旧称Ray Turbo）は、速度を重視して調整されています。ライブ視聴、高速プレビュー、そして実用的な字幕を素早く生成することが重要な大規模バッチ処理に適したエンジンです。

この記事の基になったベンチマークでは、すべてのモデルに同じ評価プロセスを使用し、98言語にわたって両方のエンジンを比較しています。その目的は、Rayが多言語対応であると漠然と主張することではありません。多様な文字体系、アクセント、語族に対して各エンジンがどのように動作するかを、再現可能な方法で確認できるようにすることです。

注：以下のグラフはエンジンのブランド変更前に作成されたため、凡例には旧名称が表示されています。Ray Maxは現在のSunray、Ray Turboは現在のMoonRayです。

数値の見方

主要な指標は単語誤り率（Word Error Rate）で、一般にWERと略されます。低いほど優れています。WERが5パーセントであれば、文字起こしは参照テキストに非常に近いことを意味します。WERが高い場合、エンジンによる置換、挿入、削除が多かったことを意味します。

比較しやすいように、同じ結果を精度として表示することもできます。

accuracy = max(0, 100 - WER)

後者の表示はひと目で把握しやすい一方、モデルがどこで苦戦しているかを正確に示すため、エンジニアリング指標としてはWERのほうが依然として有用です。

総合パフォーマンス

全結果：98言語すべて

高パフォーマンスの言語

最も難しい言語

測定内容

• 98言語にわたる認識品質
• SunrayとMoonRayの違い
• 日常的な字幕用途にすでに十分な精度を備えている言語
• より多くの学習データ、正規化、または言語固有の処理が必要な言語
• モデルが元の音声に含まれる量よりも多くのテキストを挿入する失敗事例

字幕にとって重要な理由

字幕エンジンは、英語をどれだけ適切に処理できるかだけで評価されるものではありません。実際の視聴環境はもっと複雑です。多言語映画、コードスイッチング、地域固有の名前、ノイズの多い録音、そしてシーンの途中で言語が切り替わるコンテンツなどがあります。

Rayは、そうした現実に対応するために構築されています。ベンチマークは、デフォルト設定の選択、期待値の設定、そして次に学習・評価作業を進めるべき領域の判断に役立ちます。

製品として重要な成果はシンプルです。Rayは作業に応じて速度と精度のどちらを優先するかを選択でき、より多くの言語がベンチマークのパイプラインを通過するにつれて、両方のエンジンが継続的に改善されます。