01 / UNDERSTAND
仕組みと使いどころ
RTFxはInverse Real-Time Factorとも呼ばれ、「音声時間÷処理時間」で求めます。1.0なら音声と同じ速さ、1.0を超えると実時間より高速、1.0未満では実時間より低速です。音声認識システムの速度比較や、ライブ文字起こしなどへの適性を検討する際に使われます。ただし、RTFxは認識精度を示しません。また、モデルの大きさ、CPUやGPUなどのハードウェア、バッチサイズ、音声のサンプリングレートやチャンネル数によって値が変わります。そのため、精度指標であるWERなどと併せて評価する必要があります。
02 / IN PRACTICE
RTFxの活用例
たとえば、こんな場面で
100秒の音声を10秒で文字起こしした場合、RTFxは100÷10＝10です。会議のライブ字幕を検討する際、候補モデルの処理速度を比較する目安として利用できます。
03 / GOOD TO KNOW
使うときのポイント
比較時は、使用ハードウェア、バッチサイズ、音声条件をそろえてください。RTFxだけで性能を判断せず、WERなどの認識精度も併せて確認します。
参考資料
Evaluation metrics for ASR · Hugging Face （新しいタブで開きます）Kaldi | NVIDIA NGC （新しいタブで開きます）Accelerating Leaderboard-Topping ASR Models 10x with NVIDIA NeMo | NVIDIA Technical Blog （新しいタブで開きます）用語の説明や活用例に関連する参考資料です。
READ & LEARN
記事一覧を見る 用語を知ったら、活用を知る。
AI LABで、AIの動向や業務に取り入れるヒントを読む。