最先端オープンソース対話型AIツールキットであるNVIDIA NeMoが、Parakeet ASRモデルシリーズを発表しました。これは、優れた精度で英語の音声会話を書き起こすことができる、最先端の自動音声認識（ASR）モデル群です。Parakeet ASRモデルはSuno.aiとの共同開発であり、音声認識分野における大きな飛躍であり、より自然で効率的な人間と機械のインタラクションの実現への道を切り開きます。
【AIデイリー】へようこそ！ここは、毎日人工知能の世界を探求するためのガイドです。毎日、開発者に焦点を当て、技術トレンドを洞察し、革新的なAI製品アプリケーションを理解するのに役立つ、AI分野のホットなコンテンツをお届けします。
近年、マルチモーダル大規模言語モデル（MLLM）は目覚ましい進歩を遂げ、特に視覚とテキストモーダルの統合において顕著な成果を上げています。しかし、ヒューマンコンピュータインタラクションの普及に伴い、音声モーダルの重要性もますます高まっており、特にマルチモーダル対話システムにおいては不可欠となっています。音声は情報伝達の重要な媒体であるだけでなく、インタラクションの自然性と利便性を大幅に向上させる役割も担っています。しかし、視覚データと音声データは本質的に異なるため、これらをMLLMに統合することは容易ではありません。例えば、視覚データは空間情報を伝達する一方、音声データは時間軸上の情報を伝達します。
Nexa AIは先日、エッジデバイスの高効率展開ニーズに対応する、新しい音声言語モデルOmniAudio-2.6Bを発表しました。従来の自動音声認識（ASR）と言語モデルを別々に構成するアーキテクチャとは異なり、OmniAudio-2.6BはGemma-2-2b、Whisper Turbo、カスタムプロジェクターを統合フレームワークに統合しています。この設計により、従来システムの各コンポーネント間の接続による非効率性と遅延が解消され、特に計算リソースが限られている状況に最適です。
バイトダンスが発表したSeed-ASRエンジンは、膨大なトレーニングデータを用いて、標準中国語、中国語13方言、7言語の高精度認識を実現し、言語間のコミュニケーションの利便性を大幅に向上させました。その最大の強みは優れたコンテキスト認識能力であり、過去の情報を活用して人名、地名、キーワードを正確に認識でき、特に特定の状況下では認識精度が向上します。日常会話、複雑な会議、複数人の会話、背景ノイズのある環境など、あらゆる状況下で正確に音声転写が可能です。また、様々な専門用語も認識できます。
アマゾンは、100以上の言語をカバーする次世代ASRシステムを発表しました。このシステムは、包括的な自動音声認識サービスを提供します。音声基本モデルの精度は20～50％向上し、電話音声などの難しい分野では30～70％向上しました。自動句読点挿入、カスタム語彙、自動言語識別、話者分離など、さまざまな機能をサポートしています。数多くの企業がAmazon Transcribeを利用して、オーディオコンテンツのインサイトを解き放ち、アクセシビリティと検出可能性を高めています。
OpenAIは開発者向けイベントで、アップグレード版の自動音声認識モデルWhisper3を発表しました。Whisper3は多言語に対応し、音声からテキストへの高速かつ正確な転写が可能です。OpenAIはWhisper3のAPIをユーザー向けに公開する予定です。
Nvidia NeMoプロジェクトは、内部データでトレーニングされた大規模言語モデルを用いて生産性を向上させる、半導体チップ設計における生成AIの応用事例を示しています。この研究は、半導体分野におけるNvidia NeMoによるカスタムAIモデル提供の可能性を浮き彫りにし、競争優位性を生み出します。Nvidiaのカスタム大規模言語モデルであるChipNeMoは、チャットボット、コードジェネレーター、分析ツールなどを含む幅広い用途で、半導体設計の全面的な向上に貢献します。