Hugging Faceの研究者らは、リソースが限られた環境における大規模事前学習済み音声認識モデルの展開に関する問題を最近解決しました。
膨大なオープンソースデータセットを作成し、擬似ラベル付け手法を用いることで、Whisperモデルの小型版であるDistil-Whisperを蒸留しました。このモデルは、困難な音響条件下においても元のモデルの堅牢性を維持し、長尺音声における幻覚エラーも解決しています。
本研究では大規模擬似ラベル付け手法を導入し、新たな音声データ知識蒸留アプローチを提供することで、モデル展開の問題を解決しました。Whisperは、様々なデータセットにおいて優れた性能を示す大規模事前学習済みASRモデルですが、Distil-Whisperはゼロショット設定で1％未満のWERを達成し、音声認識モデルの展開問題に対する新たな解決策をもたらします。
【AIデイリー】へようこそ！ここは、毎日人工知能の世界を探求するためのガイドです。毎日、開発者に焦点を当て、技術トレンドを洞察し、革新的なAI製品アプリケーションを理解するのに役立つ、AI分野のホットなコンテンツをお届けします。
米国の生成型AIに特化したスタートアップ企業であるAnthropicは、最近「Artifacts」という新機能を発表しました。この機能により、ユーザーはプログラミング知識なしで、簡単な会話を通じてカスタマイズされたアプリケーションを作成できるようになります。この機能のリリースは、Anthropicが人工知能アプリケーション開発分野において重要な一歩を踏み出したことを示しています。Artifacts機能は昨年6月に最初にリリースされ、8月にすべてのユーザーに公開されました。ユーザーはチャット窓の横から利用できます。
最近、香港大学と香港中文大学および商湯科技の研究チームは、注目すべき新しいフレームワークであるGoT-R1を発表しました。この新たなマルチモーダル大規模モデルは強化学習（RL）を取り入れることで、視覚生成タスクにおいてAIの意味的・空間的推論能力を顕著に向上させ、複雑なテキスト入力により高精細かつ意味的に整合性のある画像を生成することに成功しました。この進展は、イメージ生成技術のさらなる飛躍を示しています。現在では、既存のマルチモーダル大規模モデルでもテキスト入力に基づいた画像生成に関して大きな進歩を遂げていますが、その一方で課題も残されています。
最近、人工知能スタートアップのScale AIは深刻なデータセキュリティのトラブルに巻き込まれた。この企業は高額な評価を受け、Metaが49％の株式を148億ドルで取得した企業であるが、驚くことに、Metaやグーグル、xAIなど多くの顧客の機密情報を含む公開されたグーグルドキュメントを使用して保存していたことが暴露された。グーグルドキュメントは使い勝手の良いコラボレーションツールだが、招待制または完全公開という共有方法は、あらゆる企業の厳格なセキュリティ基準とは大きくかけ離れている。報道によると、Sca
人工知能分野での競争がますます激しくなる中、オープンAIの最高経営責任者（CEO）であるサム・オルトマン氏は先日、マイクロソフトの最高経営責任者（CEO）であるサティア・ナデラ氏と電話で話した。両者は今後の協力関係について議論した。この情報はオルトマン氏が火曜日に行ったパッドキャストのインタビューで明らかにされた。彼は、ナデラ氏との会話を通じて、双方の投資条件や今後の株式構成について話し合ったと語っている。マイクロソフトはオープンAIの重要な投資家であり、最近では両社間で投資に関する細かい点について意見の違いが生じているとされている。特に、マイクロソフトが今後保有する株式についての問題が挙げられている。
最近、グーグルは新しいコマンドラインツールであるGemini CLIを正式にリリースしました。このツールは、グーグルが自社で開発したGemini2.5Pro AIモデルをもとに構築されており、開発者に手軽なAI質問応答やコンテンツ生成サービスを提供することを目的としています。Gemini CLIを使えば、開発者は自分の端末インターフェースで直接AIの強力な力を活用でき、プログラミング効率や作業の利便性が向上します。Gemini CLIの特徴の一つは、最大で100万のトークンまでサポートしている点です。
字節跳動のSeedチームは近日、2025年の全国模擬試験の結果を発表しました。豆包Seed1.6-Thinkingモデルは高考で文科683点、理科648点を取得し、清华大学および北京大学の合格ラインに達し、国内外のAIモデルにおける高考テストで目覚ましい成績を収めました。今回のテストでは全国新一巻と山東省独自問題が使用され、豆包はグーグルのGemini2.5Pro、DeepSeek R1、OpenAI o3など5つの国内外トップAIモデルと同様の環境で競われました。
グーグルは今日、Gemini CLIを正式リリースしました。これは、商用AIプログラミングツールに直接挑戦するオープンソースの端末AIエージェントツールです。このプロジェクトはGitHubでリリース直後に9000以上のスターを獲得し、開発者コミュニティからの強い関心を示しています。無料戦略が市場を変えるグーグルは、非常に衝撃的な無料戦略を採用しています。ゼロコストでの利用：個人のGoogleアカウントがあればGemini Code Assistのライセンスを取得できます。最高レベルのモデル：無料でGemini2.5Proモデルを提供します。
快手科技傘下のケーランAIとスターポイントショートドラマが協力して、世界初のAIGC（人工知能生成コンテンツ）の単話劇『新しい世界がロード中』を発表した。このドラマは業界で広範な関心を集めている。本作品にはサイエンスフィクション、歴史、ファンタジー、風刺コメディなどの多様なジャンルが含まれており、AIでの創作の可能性と課題を示している。初日の上映式では記者が観察したところ、『新しい世界がロード中』の物語は創造的であり、特に豊富なサイエンスフィクション要素や滑らかなアクションシーンが特徴的である。これは詳細なアクションシナリオとフッターアニメーション技術により実現された。しかし、ドラマの中にも明らかにされる問題もある。