シャオミの公開モデルは、三人が同時に話しても一人だけ書き取る。
シャオミが金曜日、無料の音声モデルCocktailASR-1を公開した。対象の人の声を短く聞かせると、それ以外の声は背景として無視する。三人が重なる試験では単語の12.29%を、二人なら4.11%を誤った。
なぜ重要か二人の声が重なった瞬間から、議事録も字幕も崩れてしまう。重みが公開されているので、この処理は会社のサーバーではなく手元の機械で動かせる。
▶ 関連動画: Solving the Cocktail Party Problem with Deep Learning (In-depth version)
アプリで読む——無料・9言語
関連ニュース
Mistralが1兆パラメータのモデルを、一つの条件付きで公開した。2026-10-29エヌビディアが40言語の音声を文字にする公開モデルを出した。
2026-10-29グーグルのGemini 4 Carbonが難関AIランキングでClaudeを抜いた。
2026-10-29グーグルの新しい世界モデルは、音が聞こえて会話もできる世界を作る。
2026-10-28OpenAIの新しい中型モデルは前の世代の半額になった。
2026-10-27