Assembly AIは、Universal-1と呼ばれる新しい音声認識モデルを発表した。このモデルは、12.5百万時間以上の多言語オーディオデータで訓練され、英語、スペイン語、フランス語、ドイツ語における音声からテキストへの変換精度が高いとされる。Universal-1は、OpenAIのWhisper Large-v3モデルと比較して、音声データにおける幻聴を30%、周囲の騒音における幻聴を90%削減できるという。
このモデルは、複数の言語での音声からテキストへの変換機能を提供することを目的としており、一つのオーディオファイル内で複数の言語をコードスイッチングして書き起こすことが可能である。また、オーディオおよびビデオ編集や会話分析において重要な改善されたタイムスタンプ推定をサポートしている。Assembly AIによると、新モデルは前モデルであるConformer-2よりも13%改善されており、より良い話者識別、連結最小置換誤り率（cpWER）の14%改善、話者数推定精度の71%向上を実現している。
さらに、長いオーディオファイルの処理時間を短縮するために、並列推論がより効率的になった。Universal-1は、Whisper Large-v3よりも5倍速くこのタスクを完了できるとされる。このモデルは、Assembly AIのAPIを通じて利用可能である。改善された音声からテキストへのAIモデルの利点としては、より正確で幻聴のないメモの生成、アクションアイテムの特定、適切な名詞や話者、タイミング情報などのメタデータの整理が挙げられる。また、AIを活用したビデオ編集ワークフロー、テレヘルスプラットフォーム、自動臨床ノート入力、請求書提出プロセスなど、精度が重要なアプリケーションにも役立つ。
【ニュース解説】
Assembly AIが新たに発表したUniversal-1という音声認識モデルは、12.5百万時間以上の多言語オーディオデータを用いて訓練され、英語、スペイン語、フランス語、ドイツ語の4つの主要言語における音声からテキストへの変換精度が非常に高いという特徴を持っています。このモデルは、特に音声データにおける誤認識（幻聴）を大幅に削減することができ、周囲の騒音に対してもその性能を発揮します。これにより、音声認識技術の精度と信頼性が大きく向上しています。
Universal-1のもう一つの重要な機能は、コードスイッチングです。これは、一つのオーディオファイル内で複数の言語が混在していても、それぞれの言語を正確に認識し、テキスト化する能力を指します。さらに、オーディオやビデオ編集、会話分析において重要なタイムスタンプの推定や話者識別（話者の区別）、話者数の推定などの機能が改善されています。これらの機能は、特にメディア制作や会議記録などの分野での利用価値が高いと考えられます。
また、Universal-1は処理速度においても優れており、長時間のオーディオファイルを迅速に処理することが可能です。これは、特に大量のオーディオデータを扱う必要がある場合に、作業の効率化に大きく貢献します。
この技術の応用例としては、会議や講演の記録、ビデオコンテンツの字幕生成、テレヘルスにおける患者と医師の会話のテキスト化、自動車保険の請求プロセスにおける顧客との会話記録などが挙げられます。これらの分野では、正確な音声認識が極めて重要であり、Universal-1はそのニーズに応えることができるでしょう。
しかし、このような高度な技術には、プライバシーの保護やデータのセキュリティに関する懸念も伴います。音声データには個人情報が含まれることが多く、その取り扱いには十分な注意が必要です。また、技術の進歩に伴い、規制や法律も適切に更新される必要があります。
長期的な視点では、Universal-1のような音声認識モデルの発展は、人と機械のコミュニケーションをより自然で効率的なものに変えていく可能性を秘めています。しかし、その一方で、技術の進化に伴う社会的、倫理的な課題に対しても、継続的な議論と対応が求められるでしょう。
from Assembly AI claims its new Universal-1 model has 30% fewer hallucinations than Whisper.
