Tag
3 件の関連記事
DeepMindは2026年8月25日(現地時間)、新しい音声認識モデル「Gemini 3.5 Transcribe」を発表した。このモデルは、背景雑音や専門用語、言い淀みに対応し、生音声を正確で洗練された整形済みテキストに変換する。開発者向けにはGemini APIを通じて提供され、音声エージェントやリアルタイムキャプションツールなどの構築に活用できる。既にGeminiアプリやAndroid製品にも導入されている。
ポール・アズンレ (PAUL AZUNRE) 氏は2026年7月23日(現地時間)、アフリカ言語向けのオープンな自動音声認識（ASR）基盤モデル群「DONDO」を発表した。このモデル群はw2v-BERT 2.0セルフ教師あり音声エンコーダーを基盤とし、21の単一言語モデルと5つの多言語モデルから構成される。ガーナ、シエラレオネ、ナイジェリア、セネガル、ケニア、ジンバブエにわたる27の言語バリエーションに対応しており、Hugging Face KhayaAI組織上でApache-2.0ライセンスの下で公開される。
NVIDIAは2026年6月4日(現地時間)、ストリーミング多言語対応の音声テキスト変換 (ASR) モデル「Nemotron 3.5 ASR」を発表した。このモデルは6億パラメータを持ち、単一のチェックポイントから40の言語ロケールに対応。リアルタイムで文字起こしを行い、句読点と大文字・小文字の付与も可能である。前モデルNemotron 3 ASRの成果を踏まえ、Cache-Aware FastConformer-RNNTアーキテクチャを採用し、低レイテンシと高精度を両立する。オープンウェイトとして提供され、利用者は自身の特定の要件に合わせて調整できる。