NVIDIA、文字起こしAI公開。多人数の同時発話でも話者を識別

NVIDIAは、文字起こしAI「Nemotron 3.5 Transcribe」を公開した。GIGAZINEによれば、大勢が同時に話す場面でも高い精度で話者を識別できるという。

今回の材料は見出しのみで、同時発話に何人まで対応できるのか、識別精度を示す評価の数値、対応する言語、公開形態やライセンスは確認できていない。

会議や討論の音声では発言が重なることが多く、話者の識別（ダイアライゼーション）は文字起こしの中でも精度が落ちやすい部分とされる。誰の発言かを取り違えると、議事録としての価値が大きく損なわれる。重なった発話でも話者を分けられるなら、会議記録や通話分析などの実用性が高まるとみられる。

NVIDIAは同モデルについて、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文字起こしとしても紹介している。