カナダのAIスタートアップCohereが、企業向けに最適化されたオープンソースの自動音声認識（ASR）モデルを公開した。会議の文字起こし、コールセンター分析、音声コマンド認識などの企業ユースケースに特化した設計で、OpenAIのWhisperやGoogleのSpeech-to-Text APIの強力な代替選択肢として注目されている。
Cohereのポジショニング
Cohereは以前から「エンタープライズファースト」を標榜するAI企業として、OpenAIやAnthropicとは異なる市場ポジションを確立してきた。特にデータプライバシーを重視する金融機関、医療機関、政府機関向けに、オンプレミスで稼働するAIソリューションを提供することに強みを持つ。
今回の音声認識モデル公開もこの戦略の延長線上にある。クラウドAPIに音声データを送信することをコンプライアンス上許可できない企業に対し、自社サーバーで完結する高精度な文字起こし能力を提供する。
モデルの技術的特徴
Cohereが公開したモデルは、一般的な音声認識の精度に加えて、企業特有の専門用語や固有名詞への対応を強化している。金融業界の用語、医療の専門語、法律用語などのドメイン特化型ファインチューニングが容易にできる設計になっている。
また、多言語対応も強化されており、英語以外の言語でも高精度な文字起こしが可能。特にアジア言語への対応は既存の主要モデルと比較して改善されているとされる。
Whisperとの比較
OpenAIのWhisperも強力なオープンソースASRモデルだが、企業ユースケースでの使い勝手にはいくつかの課題があった。リアルタイム処理の効率、大規模バッチ処理のスループット、エンタープライズサポートの欠如などだ。
CohereはWhisperの弱点を意識した設計で、特にレイテンシーとスループットの最適化に力を入れている。また、商用サポートを提供することで、システムへの組み込みを検討する企業のリスクを低減する。
市場背景：急成長する音声AI市場
コロナ禍以降のリモートワーク定着で、会議の自動文字起こし需要は爆発的に増加した。ZoomやTeams、Slackなどのコラボレーションツールが音声認識を標準機能として取り込む中、バックエンドとなる高精度ASR技術の需要は今後も増え続けると予測される。
Cohereが音声認識市場に参入したことは、同社がテキスト処理だけでなく、マルチモーダルAIプラットフォームへの転換を図っていることを示している。今後は画像認識や動画解析への展開も視野に入れているとみられる。
