Rumble-2-Flashは手元で動く音声認識モデル。0.5Bという小ささで多くの言語を聞き取り、どの言語かの判別も自動。Apache 2.0で公開され、TransformersとvLLMにそのまま載ります。音声をどこかへ預けずに文字へ変える道が、個人にも開きました。
録音した会議や取材の音声を文字に起こしたい、でもこの声をどこのサーバーに預けることになるのだろう——そう思って手が止まった人に、Rumble-2-Flashは別の選択肢を差し出します。
私が公式の発表で確かめて手が止まったのは、0.5Bという小ささのまま、302時間の実際の通話音声で7.86%という誤り率に届いている点でした。
読み終わるころには、文字起こしを手元に引き戻すのか、それとも今の環境のままでいいのかを、自分で決められます。

1. 0.5Bの耳が、手元に降りてくる
先に結論を書きます。Rumble-2-Flashは、0.5Bという小さな音声認識モデルが、Apache 2.0ライセンスで公開されたという発表です。重みはHubに置かれ、落としてくれば自分の機械で動きます。自分の部屋にJ.A.R.V.I.S.を組むなら、最初に要るのは命令を受け取る耳です。その耳が、誰かのサーバーの中だけのものではなくなりました。
01. 重みごと、Apache 2.0で公開された
公開されたのは利用権ではなく、モデルそのものです。重みはHubのReson8/Rumble-2-Flashに置かれ、ライセンスはApache 2.0。手元に落として動かせば、音声ファイルは回線の外へ出ません。同じモデルは提供元のAPIからも使えるので、まず試すだけなら機材を揃えなくても始められます。
0.5Bという数字は、スマートフォンやノートPCでも視界に入る大きさです。発表では、この大きさで3〜60倍のモデルと競うと書かれています。小さいものを選ぶ理由が、我慢ではなくなってきた。そういう段階に来ています。
いずれも公式の発表による
02. 何語かを、こちらが名乗らなくていい
対応は40以上の言語で、どの言語かの判別は自動で行われます。使う側が「これは日本語です」と宣言してから渡す必要がない、ということです。家族や同僚で話す言葉が混ざる場面では、この一手間が毎回のところを占めます。
逆に、言語を固定して処理させることもできます。自動に任せる場面と、迷わせたくない場面を使い分けられる。賢さより、こちらが主導権を持てることのほうが、日々の使い心地を決めます。
03. 出力の形を、こちらから指示できる
数字を「12」と書くか「じゅうに」と書くか。「えー」「あの」といったつなぎの音を残すか落とすか。言い直した部分をそのまま二度書くか。この辺りを指示できると発表されています。
議事録に要るものと、字幕に要るものは違います。出てきた文字を後から整形する作業は、地味なわりに時間を持っていく。最初から望む形で出てくるなら、その分が丸ごと戻ってきます。
2. 1時間の音声が、半秒で文字になる
速さの話です。発表によれば、バッチが埋まった状態で1時間の音声を約0.5秒で文字にし、Open ASR Leaderboardの大きめのデータでは7,000を超えるRTFxに届きます。待ち時間が短いというより、待つという行為が手順から抜け落ちる水準です。速さは、優しさだ。待たされないから。
01. 送って待つ、から離れていく
これまでの文字起こしは、音声をどこかへ渡し、処理の列に並び、返ってくるのを待つ流れでした。待っている間、こちらは何もできません。録音した直後に中身を確認したいときほど、その数分が長く感じられます。
手元で走るモデルが、録音を閉じた瞬間にはもう文字になっている。そうなると、文字起こしは「後でまとめてやる作業」から「その場で開く画面」に変わります。機能が増えたのではなく、習慣のほうが入れ替わる。

02. TransformersとvLLMに、そのまま載る
Rumble-2-FlashはQwen3-ASRのアーキテクチャを使っています。そのため、TransformersとvLLMがネイティブで対応し、trust_remote_codeも、分岐した専用の実行環境も要りません。
自分で組む人にとって、ここはかなり大きい。新しいモデルを試すたびに環境を作り直していた手間が省けるなら、試す回数そのものが増えます。入力の音声は、ローカルのパス、URL、NumPyの配列、そしてそれらのリストを受け付けます。
横へ送る→
3. 電話の声で、30Bと肩を並べた
きれいに録れた音声なら、たいていのモデルがうまくやります。問題は電話です。圧縮され、雑音が乗り、話し手の訛りもばらばら。AppTekの302時間・14種の英語アクセントによるコールセンター評価で、Rumble-2-Flashは7.86%に届きました。NVIDIAのNemotron 3.5 Transcribe(30B)が7.78%ですから、ほぼ横並びです。
01. 数字が並ぶのは、現場に近い音声だった
評価に使われたのは、302時間のヘルプライン通話です。採点はAppTek自身のスクリプト。きれいなスタジオ音声ではなく、こちらが日常で録ってしまう側の音に近い条件で、この位置につけています。
0.5Bのモデルが、60倍の大きさのモデルとほぼ同じ数字を出す。もちろん用途ごとに検証は要りますが、小さいほうを最初に試す価値が十分にある、という判断材料にはなります。
AppTekのコールセンター評価、14種の英語アクセント
02. 同じ系統の近い大きさを、前に出た
比較ではQwen3-ASR 0.6Bが8.7%、Qwen3-ASR 1.7Bが7.4%。同じ系統で近い大きさの0.6Bより前に出て、3倍以上あるはずの1.7Bのすぐ後ろにつけています。
一般の評価でも、Open ASR Leaderboardの多言語トラックで平均6.96%。中国語・ドイツ語・フランス語・イタリア語・スペイン語・ポルトガル語・ヒンディー語・オランダ語・英語の平均で、15倍あるMetaのomniASR-LLM 7Bより良く、Whisper large-v3より前に出ています。英語だけなら6.6% WERです。
03. 小さいまま強くした、育て方
どこまで小さくできるかを探るために、大きな本番モデルRumble-2を蒸留して作られました。使われたのはon-policy distillation。生徒は先生の書いた文章を暗記するのではなく、自分で音声を文字に起こし、その文字を先生が一語ずつ採点します。
自分が出した間違いの上で修正が入るので、1本ごとに点数が一つ付く従来のやり方より、ずっと細かい指導になります。先生と生徒で語の区切り方が違う問題は、GOLDという手法で両者の文章を同じ土俵に乗せて解いています。
4. 今日入れるか、少し待つか
ここまでを踏まえて、いま決めることを書きます。手元の機械にTransformersかvLLMが入っているなら、今日落として試す側です。音声を外に出したくない、待ち時間を減らしたい、言語の指定が面倒だった——この三つのどれかに心当たりがあるなら、試さない理由のほうが見つかりません。
01. 今日のうちにできること
重みはHubのReson8/Rumble-2-Flashにあります。落として、手元の録音を一本通してみる。それだけで、自分の環境でどのくらいの速さと精度になるかが分かります。音声はローカルのパスでもURLでも渡せるので、最初の一本は本当にすぐです。
いきなり環境を作るのが億劫なら、提供元のAPIから先に試す道もあります。使い心地を確かめてから、ローカルに降ろすかを決めればいい。順番はどちらでも構いません。
02. それでも、少し待っていい人
いま使っている文字起こしに不満がなく、自分で環境を組む予定もないなら、急ぐ必要はありません。これはそういう性質の発表です。完成品が店頭に並んだのではなく、部品が棚に置かれた。必要になった日に取りに行けばいい。
ただ、自分の部屋を自分で組みたいと思ったことがある人には、これは面白い部品です。耳が手元に来る、というのはそういうことだから。作り手は、何を作ったかをDiscussionsで聞きたがっています。試したら、そこに一言置いてくるところまでが、いちばん楽しい。
5. よくある質問
Rumble-2-Flashは無料で使える?
Apache 2.0ライセンスで公開されていて、重みはHubのReson8/Rumble-2-Flashに置かれています。落として自分の環境で動かせます。提供元のAPI経由でも利用できると発表されています。
どんな環境で動く?
TransformersとvLLMがネイティブで対応しています。Qwen3-ASRのアーキテクチャを採用しているため、trust_remote_codeも分岐した専用の実行環境も要りません。どちらかが動くスタックなら、そのまま載ります。
精度はどのくらい?
Open ASR Leaderboardの多言語トラックで平均6.96%、英語トラックでは6.6% WERです。15倍の大きさがあるMetaのomniASR-LLM 7Bより良く、Whisper large-v3より前に出ていると発表されています。
電話のような悪い音でも使える?
AppTekのコールセンター評価(302時間、14種の英語アクセント、AppTek自身のスクリプトで採点)で7.86% WERでした。30BのNVIDIA Nemotron 3.5 Transcribeの7.78%と、ほぼ横並びの位置です。
どのくらい速い?
バッチが埋まった状態で、1時間の音声を約0.5秒で文字にします。Open ASR Leaderboardの大きめのデータでは7,000を超えるRTFxに届くと発表されています。待ち時間を前提にしない使い方が狙えます。
文字起こしの書き方は指定できる?
数字を算用数字で書くか言葉で書くか、つなぎの音を残すか、言い直しをそのまま書き出すか、言語を固定するかを指示できます。議事録向けと字幕向けで、後からの整形を減らせます。
6. まとめ
0.5Bで40以上の言語を聞き取り、1時間の音声を約0.5秒で文字にして、電話の音声では30Bのモデルと横並び。それがApache 2.0で、Hubに置かれています。文字起こしを誰かに預ける前提が、ここで一度ゆるみました。自分の部屋の耳を自分で持つ、という選択肢が現実の重さになった。試す側に回るかどうか、決めるのは今日でいい。
- 重みの場所:HubのReson8/Rumble-2-Flashで公開
- 必要な環境:TransformersかvLLM。専用コードは不要
- 速さの目安:1時間の音声を約0.5秒で文字にする
- 実通話の精度:302時間の評価で7.86% WER
- まず試す:手元の録音を一本通して自分で測る
7. 画像の出典
- ① Hugging Face 公式発表・表示の安定のため当サイトのサーバーで配信




