本文へ移動
のみ表示モデル#音声
9月24日木曜
9月16日水曜
8月27日木曜
  1. Google DeepMind78

    Google DeepMind、音声文字起こしモデル「Gemini 3.5 Transcribe」を公開

    Google DeepMindは、音声文字起こしモデル「Gemini 3.5 Transcribe」を発表しました。Gemini APIでは、低遅延のリアルタイム配信用と、話者識別・単語単位のタイムスタンプに対応する録音音声処理用の2種類を提供します。Artificial Analysisの測定では、単語誤り率はストリーミングで平均4.0%、非ストリーミングで2.6%でした。

    推荐理由：音声認識から整形済みテキストへの変換に加え、ストリーミングと録音音声処理の両APIを用意し、用途に応じた組み込み方を示しています。

8月12日水曜
  1. Google DeepMind84

    Google DeepMind、手話翻訳モデル「SL2T」を発表し、GboardとLive Transcribeに搭載

    Google DeepMindは、手話をテキストに翻訳するモデル「SL2T」を発表し、Pixel 11のGboardとLive TranscribeでASLから英語への入力機能を提供します。

    推荐理由：手話を中間注釈なしで翻訳する仕組みと、端末上で映像を破棄するプライバシー設計を併せて説明している。

7月30日木曜
  1. Google DeepMind67

    Google DeepMind、音楽生成モデルLyria 3.5をGoogle Flow Musicで提供開始

    Google DeepMindは、音楽生成モデルLyria 3.5をGoogle Flow Musicで提供開始しました。メロディーの構成や歌詞の品質・プロンプトへの追従性、ボーカルの表現力と発音を改善し、生成する楽曲のテンポや長さも調整しやすくなっています。

    推荐理由：メロディー、歌詞、ボーカルに加え、テンポや長さの調整も改善されており、生成時に制御できる要素を把握できます。