Hugging Face 記事で紹介 ── バイリンガルの「チャンポン発話」に音声AIはついていけるか？新ベンチマークが公開
世界の半数以上の人々が日常的に2つ以上の言語を使いこなす。文の途中でスッと英語から別の言語に切り替わる「コードスイッチング」は、私たちにとっては超自然なコミュニケーション手段だ。でも、それをAIの音声エージェントが正確に聞き取るのは意外と難しい。エンタープライズ環境で現在のASR（自動音声認識）がどこまで通用するのか、気になる検証結果が公開された。
▸何が変わったのか
ServiceNowのAIチームが、企業内のHRやITサポートを想定した独自のデータセットとベンチマークを構築。対象となる言語ペアは「Spanish-English」「French-English」「Canadian French-English」「German-English」の4種類だ。評価指標には、単なる文字起こしの正確さである「WER」だけでなく、意味の保持率を測る「SWER」、最終的な回答への悪影響を測る「AER」の3つを採用。これらは「AU-Harness」という評価ツール上で公開されている。検証の結果、ElevenLabs Scribe V2、Gemini 3 Flash、Assembly AI Universal 3-Proが各指標でトップクラスのパフォーマンスを発揮した。
◈前モデル / 競合との比較
今回の検証にはフロンティアモデルからオープンソースのASR、LALM（大規模オーディオ言語モデル）まで7つのシステムが含まれている。言語ペアやモデルごとにコードスイッチングによるペナルティ（性能低下）の度合いが異なり、中でもElevenLabs Scribe V2、Gemini 3 Flash、Assembly AI Universal 3-Proが強い結果を残した。
◈技術背景と意義
バイリンガル話者が「給料の件なんだけど、this month’s payroll is wrong」みたいに文の途中で言語を混ぜるテクニックを「コードスイッチング」と呼ぶ。音声認識（ASR）で最初の書き起こしをミスると、そのエラーが後工程のシステムにまで波及して大惨事になる。特に企業のカスタマーサポートなどでは、ちょっとした聞き間違いが重大なトラブルに発展しかねない。このベンチマークは、文字が合っているかだけでなく「意味」や「最終的なタスクの成功率」まで含めて厳しく評価している点が本当にエモい。
▸こんな人・用途に
グローバル展開しており、多言語を話す顧客を抱えるカスタマーセンターやITヘルプデスク。社内のHR（人事）システムや給与・パスワードリセット対応の社内向け音声ボット開発。
SOURCE: Hugging Face (2026-06-09)
