NVIDIA、指示で調整できる多言語文字起こしAIを公開

NVIDIAは、Hugging Faceのブログで「Nemotron 3.5 Transcribe」と「Granary v2」を発表した。プロンプトで指示でき、用途に合わせて適応させられる多言語の文字起こしをうたっている。発表元はNVIDIA自身で、一次情報にあたる。

今回の材料は見出しのみで、モデルの規模、対応言語、精度や速度の評価、公開形態やライセンスは分かっていない。Granary v2については、名称からは文字起こしモデルの学習に使う多言語音声データの新版とみられるが、確認できていない。

従来の音声認識は、入力した音声をそのまま文字にするだけのものが中心だった。プロンプトで指示できるようになれば、専門用語や固有名詞の表記、出力の形式などを利用者側で調整できるようになるとみられる。

同モデルについては、多人数が同時に話す場面での話者識別の精度も報じられている。