本文へ移動

#音声

今日 0 件

11月14日

土曜日

11月12日

木曜日
  1. Amazon SageMaker AIの双方向ストリーミング推論に従量課金を導入

    Amazon SageMaker AIの双方向ストリーミング推論に従量課金が加わった。モデルプロバイダーは、リアルタイムストリーム中の実際の利用量をAWS Marketplaceに報告できる。ローンチパートナーのDeepgramは、従量課金のSTTとTTSをAWS Marketplaceに導入する。計測記録は独立したメタデータ用WebSocket接続で送信され、SageMaker AIエンドポイントのインフラ費用は従来どおり別途発生する。

11月6日

金曜日
  1. Open ASR Leaderboardにエジプトとナイジェリアの英語アクセントの非公開データを追加

    Hugging FaceのOpen ASR LeaderboardはLiva AIと提携し、エジプトとナイジェリアの2種類の英語アクセントの非公開評価データを追加した。エジプト・アクセントのデータは1.34時間、ナイジェリア・アクセントは1.55時間で、いずれも会話形式の自発音声であり、書き起こしには句読点、大文字小文字、非流暢語が含まれる。また、Kachruの三円モデルに基づくアクセント分類を新設し、米国と非米国、内円と外円・拡張円のアクセントを区別する。

11月5日

木曜日

11月4日

水曜日
  1. Cartesia、SSMモデルでAWS上に超低遅延の音声AIアプリを構築する方法

    AWSパートナーのCartesiaは、State Space Model(SSM)アーキテクチャに基づくリアルタイム音声AIを開発した。テキスト読み上げのSonicと音声認識のInkはいずれも最初のバイトまでの遅延が100ms未満で、Sonicは約90msで最初の音声バイトを出力する。

10月31日

土曜日

10月29日

木曜日
  1. IBM Granite Switch 4.1.1 パッチ公開:ソフトウェアを更新するようにモデルを更新

    IBM は Granite Switch 4.1.1 パッチ版を公開した。4.1 と完全な後方互換性があり移行は不要で、基盤モデルは再計算せずアダプターのみを更新した。今回の更新には、10 言語に対応し句読点と大文字小文字をネイティブに扱う Granite Speech ASR モデルと、Jev Decision Index テストセットで性能が向上した granitelib-core の Decision アダプターが含まれる。

10月28日

水曜日
  1. NVIDIA RTX Spark ノートPCのアップデート:Nemotron 3.5 Transcribe、Agentのリソース管理、ゲーム対応を追加

    NVIDIAはRTX Sparkの薄型軽量ノートPC向けに一連のアップデートを提供する。オープンウェイトの音声モデルNemotron 3.5 Transcribe、Liquid AIのLFM3シリーズモデルへの対応、NVIDIA AppでフォアグラウンドアプリとバックグラウンドAgentの間でGPUリソースを配分できる制御項目などが含まれる。

10月23日

金曜日
  1. Amazon SageMaker AI 上の TTS 自動スケーリング目標値、推測はもう不要

    自前でホストする TTS エンドポイントの自動スケーリング目標値を推測に頼る問題に対し、AWS は Amazon SageMaker AI のリアルタイムエンドポイントに 8200 万パラメータの Kokoro-82M をデプロイし、実測した Q_max(1 インスタンスが SLO 内で処理できる最大同時実行数)と T_total(スケールアウト 1 回のエンドツーエンド所要時間)から、スケールアウトしきい値、スケールインしきい値、2 つのクールダウン時間を算出した。

10月21日

水曜日

10月20日

火曜日
  1. Deepgram、AWS Trainium で大規模音声 AI をどう最適化したか

    Deepgram は AWS と協力し、音声認識モデル Nova-3 を Trainium2 に移植した。コールセンター分析や医療文字起こしなどオフラインのバッチ処理が対象。最終構成では Amazon EC2 trn2.3xlarge インスタンス 1 台でモデルを 8 レプリカ動かし、1 ドル当たりの処理音声量は従来の計算基盤より 11%〜70% 多い。

10月16日

金曜日
  1. IBM、Granite Switch 4.1を公開:1つのエンドポイントで対話・意思決定・音声に対応

    IBMがGranite Switch 4.1を公開した。Granite-Switch-4.1-8Bと-30Bを含み、汎用意思決定aLoRA、安全意思決定Guardian aLoRA、OpenASRリーダーボードで最速のASRモデルGranite-Speech-5.0-Turbo-CTCを1つのモデルに組み合わせ、VRAM使用量はベースモデル単体とほぼ同等である。

10月14日

水曜日

10月8日

木曜日
  1. TII、1.6Bパラメータのアラビア語音声認識モデル「Falcon-ASR」を公開、アラブ首長国連邦方言に注力

    アブダビの技術革新研究所(TII)は、1.6Bパラメータの音声認識モデル「Falcon-ASR」を発表した。アラビア語を主軸にアラブ首長国連邦方言に注力し、英語、フランス語、スペイン語、ポルトガル語にも対応する。

10月7日

水曜日
  1. Amazon Bedrock AgentCore、Managed Knowledge Base、Nova Sonic で音声旅行アシスタントを構築

    Amazon Bedrock AgentCore、Amazon Nova 2.5 Sonic、Amazon Bedrock Knowledge Bases を基盤に、航空会社のアプリに音声旅行アシスタントを構築できる。旅行者は音声で旅程を照会し、座席を変更し、食事の好みを更新し、有人オペレーターに転送できる。

9月30日

水曜日
  1. Hugging Face、多言語 TTS と音声クローンの拡張可能な評価基盤 Open TTS Leaderboard を公開

    Hugging Face は、客観的指標でオープンソース TTS モデルを評価する Open TTS Leaderboard を公開し、数週間の投票による評価を数時間に短縮する。Qwen3 ASR で WER/CER を算出し、H200 GPU で RTFx と TTFA を測定、WavLM 埋め込みで話者類似度 SIM を求め、多言語と音声クローンの比較に対応する。

9月29日

火曜日

9月26日

土曜日

9月25日

金曜日

9月23日

水曜日

9月16日

水曜日

9月10日

木曜日

8月28日

金曜日

8月27日

木曜日

8月21日

金曜日
  1. Hugging Face 研究、音声認識のベンチマーク最適化をどう測るか

    Hugging Face は、音声認識のベンチマーク最適化を数値化するため、合意不一致プローブ、マスクした固有表現の検索、綴りの切り替えという三つのテストを提案した。11のオープンソース ASR モデルを評価し、一部の高得点モデルは音声が矛盾する場合、該当語が無音の場合、両方の表記が音声上成立する場合でも、VoxPopuli や LibriSpeech の正解転写の誤りを再現することを見つけた。

8月12日

水曜日

8月11日

火曜日
  1. NVIDIA、12言語対応のオープンウェイト音声モデルMagpie TTS Multilingualを公開

    NVIDIAは3億6400万パラメーターのオープンウェイト音声合成モデルMagpie TTS Multilingualを公開した。英語、スペイン語、フランス語、ドイツ語、イタリア語、ベトナム語、中国語、ヒンディー語、日本語に加え、新たな現代標準アラビア語、韓国語、ブラジルポルトガル語の計12言語に対応する。

7月30日

木曜日
  1. Google DeepMind、Flow MusicでLyria 3.5音楽生成モデルを公開

    Google DeepMindは新世代の音楽生成モデルLyria 3.5を公開し、Google Flow Musicで提供を開始した。音楽性、歌詞、歌声、創作の制御の4分野を改善したという。より複雑で自然な旋律構造、指示への追従と構造理解を改善した歌詞、感情表現と発音を改善した歌声、出力のリズムと長さの操作性向上を含む。

7月15日

水曜日

7月1日

水曜日

6月9日

火曜日