Hugging Faceの新バージョンには、ライブ音声で最大8人の話者を識別できるストリーミングモデル「Nemotron 3 Diarization」が含まれる。
短信OossaOossa公開日: 1 分で読める
Hugging FaceはTransformers v5.18.0をリリースした。今回のアップデートでは、リアルタイム音声とオフライン音声のどちらでも「いつ誰が話したか」を判定できるオープンウェイトモデル、Nemotron 3 Diarizationが追加された。最大8人の話者に対応し、レイテンシは80 msから30.4秒まで選択できる。
このリリースでは、マルチモーダルモデルのNemotronH OmniとHyperCLOVAX Vision V2も追加されたほか、さまざまなバグ修正とパフォーマンス改善が行われている。
開発者は、話者ラベル付きのライブ文字起こしをアプリに追加できるようになり、会議やポッドキャストをより簡単に追えるようになる。
最終更新: ·Markdown
モデル
Runway Researchは、動画で学習したオープンウェイトのロボット行動モデル「Praxis‑1」を発表。Noble Machines、Standard Bots、Ultraが初期テストを行っている。
モデル
Deepseekは、HuaweiのAscend 950チップ向けにTileLangなどのライブラリをオープンソース化すると発表。中国でのAI開発を簡素化する狙いだ。
モデル
Lokutorのオープンソースモデル「Oído」は、安価なESP32-S3ボード上で動作し、Whisper-tinyより低い誤り率を達成した。
Oossa · ニュースレター
今週のAIを、わかりやすく
毎週月曜日、知っておきたいニュースをやさしい言葉で。無料・スパムなし。
