AIテクノロジー NVIDIAが文字起こしAI「Nemotron 3.5 Transcribe」を公開！MoE構成で高精度な話者識別と日本語対応を実現
NVIDIAが文字起こしAI「Nemotron 3.5 Transcribe」を公開。日本語での実用精度（Production-ready）を誇り、多人数会話の文字起こしや音声分析を単一モデルでこなす性能が注目されます。
音声認識
AIテクノロジー 
AI GoogleのEmbeddingGemma 2を音声認識化「Embedding Gemma Transcribe」とは？Apple Silicon Macで動く高速・安全な文字起こしモデル
GoogleのEmbeddingGemma 2をベースにしたApple Silicon Mac向け音声認識モデル「Embedding Gemma Transcribe」が登場。完全ローカル処理で安全に音声文字起こしが可能です。
AI CPUのみ・メモリ2GB未満で動くリアルタイム多言語音声認識「早耳」とは？精度や制限事項を徹底解説
GPUやクラウドAPIを一切使わず、CPUのみ・メモリ2GB未満で動作するリアルタイム多言語音声認識システム「早耳（Hayamimi）」が登場。テレビ放送音声で文字エラー率3.8%を記録した最新技術の実用性と制限事項を整理します。
AIテクノロジー ChatGPTが音声ファイルの直接アップロードに対応、文字起こしや要約が可能に。有料ユーザー向けに提供開始
米OpenAIは、ChatGPTにおいて音声ファイルのアップロード機能を発表しました。有料ユーザーを対象に、文字起こしや要約、音声内容に関する質問などが直接行えるようになります。
AI・テクノロジー NVIDIA、最大8人のリアルタイム話者識別が可能な軽量AIモデル「Nemotron 3 Diarization」をオープンモデルとして公開
NVIDIAは、最大8人の話者をリアルタイムで識別可能な1億パラメータの軽量音声AIモデル「NVIDIA Nemotron 3 Diarization」を公開しました。VoiceArenaのベンチマークで首位を獲得した本モデルは、Hugging Face上でオープンウェイトとして提供されています。