
何が起きたか
あるエンジニアが、2016~2017年に収録した10エピソード(約10時間)のポッドキャスト音声を、WhisperX(音声認識)とpyannote.audio(話者識別)という2つのオープンソースモデルを使い、Apple Silicon搭載のノートパソコンでローカル処理して文字起こしと話者ラベリングを完了しました。音声はクラウドに送らず、外部APIの課金もなし。
なぜ重要か
2016年当時、このレベルの音声処理は有料クラウドサービスが必須で個人には手が出せない領域でした。それが現在はオープンソースモデルの進化により、1台のノートパソコンで夜間に処理できるようになった。数年間アクセスされていなかった過去のコンテンツが検索可能・閲覧可能な状態に生まれ変わり、追加コストなしに第二の生を得られたとみられます。
注目点
全10エピソード分の処理に約14時間の計算時間がかかり、おおよそ実時間の2倍のペースでした。1エピソード当たり1時間47分~2時間7分の処理時間。ホストの名前の自動修正やマージ処理など簡単な後処理を加えると、各エピソードページに話者別の会話文字起こしと再生タイムスタンプ付きで掲載できます。
こういう要約が、毎朝あなたのメールに届きます。
業界と使っているAIツールを選ぶと、仕事に関係するニュースが毎朝届きます。
登録無料・Googleアカウントなら30秒・いつでも解除できますAITodayについて →
この記事についてわからないことをAIに質問できます。AIはこの記事・AIToday の過去記事・Wikipedia を読み、出典を付けて答えます。Q&Aはこのページに公開され、他の読者も読めます。
このようなAIの動きを、御社の業界・競合に合わせて毎日届ける法人プランもあります → 詳しく見る
Reson8は5億パラメータの音声認識モデルRumble-2-FlashをApache 2.0ライセンスの無償オープンウェイトとして公開した
CADMAGEDDONはBenchCADの64³ボクセルIoUで、1000部品のサブセットにおいて0.991を記録し、Claude Sonnet 5.5の0.963、Claude Opus 5.5の0.962、GPT-6…

llama.cppがバージョン1.0となり、--moe-cache-cpu-shareを導入

暫定CEOコレット・クレス氏はNvidiaのオープンソースAI関与継続を述べ、OpenRouterの週間トークン量が前年比35倍に急増したとし、129億ドルのHugging Face買収が予定通りと確認した

AWSはNVIDIA DynamoのサービングコンポーネントをAmazon SageMaker HyperPod Inferenceにインストールするアドオンを追加した

Amazon SageMaker AIが自動ラベリング、合成データ生成、データ品質評価、データ変換を提供開始
