音声AIが流行中：Nvidiaが新しいオープン文字起こしモデルを公開

Nvidiaは、最大40言語の音声を文字起こしできる無料のオープンウェイト音声認識モデルNemotron 3.5 Transcribeを公開し、併せてオープンソース音声データセットGranaryのバージョン2もリリースした。Nvidiaによると、同モデルは31言語と英語の相互翻訳が可能で、最長1時間の録音を処理し、最大8人の話者を識別できるほか、Hugging FaceのOpen ASR Leaderboardを含むベンチマークで競合を上回るとしている。これらのツールはビジネス会議や医療文字起こしアプリを開発する開発者向けで、各言語の業界用語を認識するようカスタマイズできる。欠点として、Transcribeは録音音声のみに対応し、ライブストリームには対応しない。300億パラメータながら単一チップで動作し、Jetson AGX Thorロボティクスコントローラや新型ノートPC向けDGX SparkチップからBlackwellデータセンター向けチップまで対応する。11億パラメータながら高性能なParakeetなど、Nvidiaのオープンウェイト音声モデル群に加わる形だ。今回の発表は、Mistral、ElevenLabs、Salesforceが相次いで音声モデルを投入する活発な時期に行われた。

(出典：TechCrunch)