音声AIオーディオの現状、2026年10月

2026年10月20日更新：このスナップショットのあと、2つの認識器でv8_2をai-coustics Quail VF 2.2 Sと比較したライブ会話ベンチマークを公開しました。faster-whisper base.enではプールで互角で、どちらのエンジンも生の音声に勝っていません。Gemini Liveの入力書き起こしでは、プールでv8_2が生の音声に勝ち、VF Sにも先行します。マイクに近い話者と大きな背景音ではv8_2が、離れた話者、間の抑圧、誤ったバージインではVF Sが先行します。以下のスナップショットは変わっていません。

2026-10-17時点で、公開済みのNull Testベンチマークは、19条件で11の強調エンジンを何もしないコントロールと比較しています。コントロールはWER 14.32%、当社のv8_2エンジンは16.59%で、表のどれもコントロールに勝てませんでした。市場では、8月以降の顕著な変化として、主話者分離がもはや単独のSDKとしてだけ売られるのではなく、プラットフォームの価格内（LiveKit）、STTのオプション内（AssemblyAI）、主力リリース（Krisp）として現れています。

これは公開済みの状態のスナップショットであり、新しい測定はありません。ベンチマークの数値はbenchmark.json（generatedAt 2026-08-14）、市場の項目は2026-10-15にまとめた社内調査によるもので、そこに含まれるベンダーの性能数値はすべて各社自身の主張です。

公開済みのベンチマーク

バックエンド	プールWER（19条件）	出荷可能
raw	14.32%	yes
passthrough	14.32%	yes
aic-quail	15.18%	no
focus	16.59%	yes
aic-quail-vf	17.59%	no
gtcrn	20.14%	yes
fastenhancer-s	20.33%	yes
fastenhancer-l	20.36%	yes
fastenhancer-b	20.64%	yes
fastenhancer-t	21.66%	yes
fastenhancer-m	22.13%	yes
dfn3-hq	30.69%	yes
dfn3	34.04%	yes

プールした単語誤り率、faster-whisper base.en、話者10名、条件あたり参照単語190語。無処理の音声（rawとpassthroughは同一信号）は勝ったので先頭にあります。ai-coustics行（aic-quail、aic-quail-vf）はライセンスされた独自のベースラインで、出荷するコードパスではありません。行ごとの説明は私たちの行は表の上にありますにあります。

先行する二つの結果が文脈になります。当社の電話回線の解説は、既定のリサンプル経路が通話者の音声の約16%を捨てるというコミュニティの数値を繰り返しましたが、当社のコントロールはそれを裏付けず、公に撤回し、訂正した節をそのまま残しました。また、テストセットは話者10名で、数十ポイントの差は分離できても1〜2ポイントの差は分離できません。

市場で変わったこと

日付	主体	内容	出典の種類
2026-08-12	Krisp	VIVA 2.5 / Voice Isolation 2.5, marketed as primary-speaker focus; company claims	company blog / CEO post
2026-03-11	ai-coustics + LiveKit	Voice Focus 2.0 in LiveKit Cloud (current plugin bundles Voice Focus 2.2)	company
2026 (date not found)	AssemblyAI	voice_focus option on streaming STT, $0.10/hr add-on	company docs
2026-08 (Aug)	LiveKit	per-second metering introduced	LiveKit community post
2026-09-15	Google	Gemini 3.8 Live released	company blog
2026-10-07	Krisp	FP16 CPU optimisation post: +75% to +99% concurrent calls on supported CPUs (company claim)	company blog

これらの項目に付随する性能数値（たとえばKrispが主張するWER削減）はすべてベンダー自身のものであり、当社は検証していません。当社の調査ファイルからさらに2点：音声AIの株式資金調達は2026年1月から9月で25ラウンド$1.2Bと報じられ、前年は34ラウンド$585Mでした（Tracxn、2026年10月取得）。また、Googleは2026-09-15にGemini 3.8 Liveをリリースしました。ネイティブ音声モデルにはエンハンサーがWERを改善できる別個のSTTがないため、これは重要です。

当社が引き出す結論は限定的です。「話者分離」は今や複数のベンダーが使う機能名であり、主張は共有セット上の測定があって初めて意味を持ちます。これが公開コントロールを置く理由です。

次に測定すること

これらは計画であり、日付を伴う約束ではありません。第一に、2つ目の認識器です。ハーネスはDeepgramとAssemblyAIに対応しており、順序は複数で成り立つはずだからです。第二に、より大きな話者セットです。現行のセットでは1〜2ポイントを分解できません。第三に、ターン検出がテレビ音声で破綻する理由のようなフレーム単位のVAD誤検出だけでなく、割り込みイベントで測る誤ったバージインです。第四に、ストリームあたりのCPUコストです。モデルを動かすコストが競争の一部になりつつあります。

FAQ

音声AI向けオーディオ強調で最良のものは？ 当社のベンチマークでは、19条件でプールすると無処理音声に勝ったものはなく、出荷可能な最良のエンジンでもその数ポイント以内でした。プールした数値より条件のほうが重要です。

Null Testとは？ 当社のオープンなベンチマークです。11の強調エンジン、何もしないコントロール、19条件を、設定とともに公開しています。

この投稿のベンダーデータは検証済みですか？ いいえ。市場の項目は表示のとおり企業の主張または独立した報道で、2026-10-15にまとめたものです。