音声エージェントの8 kHzと16 kHz：WERデータが示すこと

当社のテストでは、クリーン音声の場合、認識器のWERは16 kHzの4.74%に対し8 kHzでは5.79%となり、ノイズが増えるほど差は広がります。クリーン音声で約1ポイント、SNR 0 dBでは数ポイントです。8 kHz区間で測定したどの強調経路もこの差を取り戻せなかったため、実務上の答えは、キャリアが渡すレートをそのまま使い、モデルのためにアップサンプリングしないことです。

数値はすべてNull Testの成果物であるbenchmark.jsonと、別途実施した狭帯域の実行（いずれも2026-08-14付）から取っており、faster-whisper base.enで採点しています。キャリア側の話は8 kHzは音声AIが壊れる場所で扱いました。この投稿ではWERが何を示すかだけを問います。

同じノイズレベル、二つのサンプリングレート

条件（生音声、強調なし）	16 kHz WER	8 kHz WER	差（pp）
clean	4.74%	5.79%	+1.05
SNR 10 dB	6.32%	10.00%	+3.68
SNR 0 dB	11.05%	16.32%	+5.26

2026-08-14に測定。16 kHz列は19条件のマトリクス、8 kHz列は狭帯域の実行（60クリップ、条件あたり参照単語190語）です。単一条件では参照単語1語が0.53 ppなので、クリーン音声での1.05 ppの差は2語分です。SNR 0 dBの差は実在、クリーン音声の差は小さいと読んでいます。

8 kHz区間にモデルを加えるとどうなるか

8 kHz経路	WER	raw8k比（pp）
raw8k (no processing)	11.14%	0.00
soxr_vhq resample only	10.96%	-0.18
aic-quail-l-8khz (native 8 kHz)	11.05%	-0.09
aic-quail, upsampled (soxr_vhq)	11.75%	+0.61
gtcrn, upsampled (soxr_vhq)	16.58%	+5.44
fastenhancer-b, upsampled (soxr_vhq)	17.63%	+6.49

2026-08-14に測定、行あたり参照単語1,140語のため1語は0.09 ppです。ai-coustics（独自のベースライン、ベンチマーク専用）のネイティブ8 kHz重みは無処理音声と同等で、11.05%対11.14%でした。16 kHzモデルへのアップサンプリングはより悪く、同一ベンダーの16 kHzモデルで11.75%、GTCRNで16.58%でした。狭帯域信号を与えられた16 kHzモデルは、存在しない帯域で動作することを求められています。

ここから得られること

第一に、サンプリングレートは回線上のノイズより小さなレバーです。SNR 10 dBでの8 kHzの不利は数ポイントですが、16 kHzマトリクスの競合音声条件ではWERが数十ポイント動きます。第二に、リサンプラーは悪者ではありません。往復コントロールではリサンプルごとの損失は見られず、だからこそ当社はその主張を撤回しました。第三に、電話区間に強調を加えるなら、自社の通話で生の8 kHz音声と比較してください。当社の測定では何も上回れませんでした。

認識器は重要です。より大きなモデルなら絶対値は小さくなり、ハーネスは他の認識器でも採点できるので順序を確認できます。

FAQ

音声認識では常に16 kHzが8 kHzに勝ちますか？ 当社の同条件の行では、クリーン音声で1.05 pp、ノイズ下ではそれ以上で勝ちました。狭帯域データのみで学習した認識器は試していません。

STTの前に8 kHz音声をアップサンプリングすべきですか？ モデルを前段に置いたアップサンプリング経路は、生の8 kHzより悪い結果でした。モデルなしのアップサンプリングは、生音声と同等だったリサンプルのみのコントロール以上には測っていません。

8 kHzの話者分離モデルはありますか？ 当社の実行では、狭帯域の強調重みを持つベンダーはai-coustics 1社のみで、他は8 kHzチェックポイントを提供していません。これは当社テストセットについての記述で、2026-08-14時点です。