Tag
6 件の関連記事
レオナルド・ドゥアート (Leonardo Duart)、チアゴ・フォンセカ (Tiago Fonseca)、チアゴ・チャコン (Thiago Chacón) の研究チームは2026年8月26日(現地時間)、低リソース言語であるバニワ語の自動音声認識 (ASR) におけるWhisperモデルの適応に関する予備研究の結果をarXiv cs.CLで発表した。大規模な多言語基盤モデルがASR技術の性能向上に貢献する一方で、先住民族言語は音声リソースと技術の不足に直面している現状に対し、今回の研究はバニワ語でのASR性能の初期ベースラインを確立した。
Apple ML Researchは2026年8月(現地時間)、マンダリン中国語と英語が混在する発話内言語切り替え (Code-Switching: CS) の自動音声認識 (Automatic Speech Recognition: ASR) において、新たな学習手法を発表した。この手法は、限られた訓練データというCS-ASRの課題に対応するため、ラベル付けされていない大規模な音声データを活用し、反復的な擬似ラベリング訓練を通じて認識精度を高めるアプローチをCS-ASRに初めて適用したものである。
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。
Appleは2026年7月5日(現地時間)、機械学習研究ブログ「Apple ML Research」において、自動音声認識（ASR）のエラー修正に関する研究論文を発表した。同研究は、従来の言語モデルが抱える課題に対し、コンパクトなseq2seqモデルを用いたアプローチを提示している。このモデルは、実音声および合成音声から生成されたASRエラーで訓練されており、低遅延で高精度な修正を実現する。
ServiceNow-AIは2026年6月9日(現地時間)、Hugging Face Blogで、コードスイッチング音声に対応する自動音声認識（ASR）モデルのベンチマークとデータセットを発表した。多言語話者の日常的なコミュニケーションであるコードスイッチングに対応する音声エージェントの性能を評価するため、人事（HR）およびITサービス管理（ITSM）のシナリオに焦点を当てている。
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。