Gemma 4音声エンコーダ、重み固定でアラビア語音声認識に貢献
アムル・アブデルハリク氏らの研究チームは2026年10月18日(現地時間)、Gemma 4とEmbeddingGemma 2が共有する3.05億パラメータの音声エンコーダが、その重みを変更せずともサウジアラビアおよび湾岸アラビア語の音声認識に活用可能であることをarXivで発表した。この研究は、最小限の追加パラメータを用いることで、既存の商用APIや他の認識器に比肩する高い性能を達成できる可能性を示唆している。
Tag
#音声認識
7 件の関連記事
【速報】IBM、「Granite Speech 5.0」発表、音声認識・翻訳モデルを更新
IBMは2026年10月20日(現地時間)、音声認識モデルコレクション「Granite Speech」の3つの更新を発表した。これには新モデルgranite-speech-5.0-2bと、既存モデルgranite-speech-5.0-470m-turboctcおよびgranite-speech-4.1-2b-plusの改訂版が含まれる。これらのモデルは、高精度な転写と翻訳、高速なエッジ転写、および話者属性識別を伴う録音など、企業向け音声作業全般に対応する。
MoPE-LoRA、音韻カテゴリでアクセント英語音声認識を効率化
arXiv cs.CLは10月13日(現地時間)、サンタ・ダハル (Santosh Dahal) 氏らがアクセント付き英語音声認識の新たな適応フレームワーク「ミクスチャー・オブ・フォネティック・エキスパート・ベースド・ローランク・アダプテーション (Mixture of Phonetic Experts based Low-Rank Adaptation、MoPE-LoRA)」を発表した。この手法は、従来のアクセント単位ではなく音韻カテゴリに沿って適応を構成し、パラメーター効率の良い適応を可能にする。L2-ARCTICデータセットを用いた実験では、既存手法と比較して一貫した改善を示し、特にゼロショット評価では単一LoRAに対し12.3%の相対的改善を達成した。
リアルタイム対話エージェント向け JAVIS フレームワークが低遅延と多モーダル対話を実現
arXiv cs.CVは2026年10月15日(現地時間)、リアルタイムな音声・視覚対話エージェント向けの新たなエンドツーエンド・ストリーミングフレームワーク「JAVIS」が提案されたと報じた。研究者らは、既存の対話システムがテキストや音声に限定され、視覚的フィードバックが欠如している点を解決するため、JAVISを開発。単一の表現から音声と顔を同時に生成し、リアルタイムでの同期と低遅延を実現する。
【速報】DeepMind、高精度音声認識モデル「Gemini 3.5 Transcribe」発表
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。
アフリカ言語向けASRモデル「DONDO」発表、27言語バリエーションをカバー
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、多言語対応の音声認識モデル「Nemotron 3.5 ASR」を発表
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。