詳細を読む
NVIDIAは10月28日、録音音声を文字起こしするオープンウェイトモデル「Nemotron 3.5 Transcribe」と、音声データセット「Granary v2」を公開しました。モデルは40言語に対応し、うち31言語を英語と相互翻訳できます。最大1時間の録音を処理し、最大8人の話者を識別するため、会議や医療記録向けの開発に使えます。
利用者は自然言語の指示で、話者ラベルの付与や翻訳、音声に関する質問への回答などを指定できます。モデルは録音済み音声を対象としており、ライブ配信の音声処理には対応しません。
Granary v2は多言語音声のデータと、文字起こしの表記を整える再利用可能なデータ整備工程を提供します。NeMo Speechの追加学習ツールと組み合わせ、医療用語など業界固有の語彙や表記にモデルを適応させられます。
NVIDIAの医療音声事例では、追加学習により未学習話者の評価で単語誤り率を最良の指示文のみの場合と比べ45.8％相対削減したと報告しています。モデルはHugging FaceとModelScopeで公開され、開発者は自社用途に応じて指示や追加学習を調整できます。