Nvidia、40言語対応の音声認識モデルを無償公開

Nvidiaの発表は、AI音声の分野が発表ラッシュにある中で登場した。Mistralは今月上旬にVoxtral 3を投入し、ElevenLabsは音声エージェント向けの即時音声機能Realtimeを開始、Salesforceは音声モデルLauna-Omniを公開した。各社が音声インターフェースにどれほど力を入れているかを示す一群だ。

Nvidiaの参入を他と分けるのは、単一の機能よりもパッケージングにある。モデルに更新版GranaryデータセットとNeMo Speechツールを組み合わせ、開発者が言語ごとに業界特有の専門用語を認識するようアプリを調整できると説明する。300億パラメータのモデルは、ロボティクス制御向けのJetson AGX Thorや新ノートPC向けのDGX SparkチップからBlackwellデータセンター向けチップまで、Nvidiaの製品群で単一チップ動作を想定し、11億パラメータのParakeetなど小規模なオープンウェイト音声モデルと並ぶ位置づけだ。

Nvidiaが残した空白はリアルタイム用途だ。Transcribeは録音済み音声を扱い、ライブ配信には対応しないため、ライブ音声エージェントの領域は少なくとも現時点ではElevenLabsなどの競合に委ねられている。