登録して招待リンクを共有すると、動画再生報酬と紹介報酬を獲得できます。

検索結果 音声LLM
音声LLM コミュニティ
1つのキーワードが1つのコミュニティです。
コミュニティ作成
アカウント
見つかりません
音声LLM を含む検索結果
TL;DR 音声LLMのエンコーダを18層から14層まで削っても精度がほぼ落ちない、XPengの圧縮手法「X-AuT」が公開されました。むしろ16層構成では精度が向上しています。 タイトル: X-AuT: Progressive Audio-Encoder Compression for Speech LLMs with Cross-Scale Distillation URL: ポイント ✂️ 音声エンコーダの層を18→16→14と段階的に削減する「プログレッシブプルーニング」を採用しています 🔍 個々の層の削減スコアだけでは最適なペアが分からず、層同士の相互作用まで評価しているのが面白い点です 🎓 0.6Bの学生モデルを1.7Bの大きな教師モデルで蒸留する「クロススケール蒸留」で自己蒸留より大きく精度を改善しています 📈 16層構成ではパラメータ10.35%削減しつつマクロ平均エラー率5.61%→5.27%に改善 📉 14層構成でもパラメータ20.70%削減で精度低下はわずか+0.14ptに抑えられています 🚗 車載チップ上でエンコーダ処理時間を21.4%、全体レイテンシを4.7%削減しています 🔓 コードとモデルはGitHub・Hugging Faceで公開済み(CC BY-NC 4.0) 層を削るだけでなく「どう賢く削って回復させるか」の設計がよく練られていると感じました。 #音声LLM# #モデル圧縮#
もっと見る
便利だけど知られていないOpenAI APIの機能 🛡 ユーザーが入力したコンテンツ、有害な内容が混ざっていないか心配ではありませんか? OpenAIの「Moderation(モデレーション)」は、テキストの有害性を判定する無料のエンドポイントです。暴力、ヘイト、セクシャルなコンテンツなどを検出し、安全なアプリケーション構築に役立ちます。 📌 タイトル:Moderation(モデレーション) 🔗 URL: 🧩 概要 ユーザー生成コンテンツを扱うアプリケーションでは、有害なコンテンツの検出が不可欠です。Moderation APIはテキストを複数のカテゴリ(暴力、ヘイトスピーチ、自傷行為、セクシャルコンテンツなど)で分析し、各カテゴリのスコアとフラグを返します。無料で利用でき、LLMの入出力両方のフィルタリングに使えます。 🛠 使い方 テキストをModeration APIのエンドポイントに送信するだけ。レスポンスには各カテゴリの判定結果(フラグ)とスコア(確信度)が含まれます。閾値はアプリケーションの要件に合わせてカスタマイズ可能。LLMのリクエスト前(入力フィルタ)と後(出力フィルタ)の両方に挟むことで、二重の安全ネットになります。 🏗 本番システムへの組み込み方 ・UGCプラットフォーム:投稿前にモデレーションを通し、有害コンテンツをブロックまたはレビューキューに。 ・チャットアプリの安全層:ユーザー入力をLLMに渡す前にチェック。有害な入力を事前に弾く。 ・LLM出力のフィルタ:モデルの出力をユーザーに返す前にモデレーション。意図しない有害出力をキャッチ。 ・コンテンツ管理ツール:既存コンテンツを一括スキャンし、ポリシー違反のものを検出。 💡 ユースケース 📝 ユーザー投稿コンテンツのフィルタリング 🤖 LLMの入出力の安全チェック 🔍 既存コンテンツのポリシー違反スキャン 💬 チャットアプリの有害メッセージ検出 ⚠️ 注意点 モデレーションは完璧ではなく、偽陽性(問題ないのに有害判定)や偽陰性(有害なのに見逃し)が発生します。厳しい閾値はUXを損ない、緩い閾値はリスクを残します。アプリケーションの特性に合わせて閾値を調整し、エッジケースは人間のレビューで補完する設計が重要です。また、テキスト以外(画像、音声)のモデレーションは別途対応が必要です。 ✨ 安全なAIアプリの土台は「入口と出口のフィルタ」。無料で使えるので、まずはLLMの入出力にモデレーションを挟んでみてください。 #OpenAI# #LLM#
もっと見る
📖記事ご紹介📖 #Qiita# で「#さくらのAIEngine」3#,000リクエスト使い切りチャレンジを開催中✨️ 今回は、uist1idrju3iさんがVPSでHermesAgentを24時間運用❗️ LLM・音声機能に加え、受信ポートを開けない構成やコンテナ隔離まで解説👇️
もっと見る
ローカルLLMの次は、ローカルで「考えて動く」AIへ。 @arduino VENTUNO Qは、 ・センサーで感知する ・ローカルAIで判断する ・機器を動かす という流れを1枚のボードで構築。 NPUとリアルタイム制御用MCUを組み合わせ、LLM、VLM、音声認識などもオフラインで実行可能。
もっと見る
📈翻訳特化型LLM PLaMo 3 Translateが10万ダウンロードを達成しました!0.8B〜31Bの4サイズから選べてローカルでも動く世界最高クラスの翻訳モデルです。 このモデルを使った公式の翻訳サービスも提供しています。ブラウザ拡張、ファイル翻訳、英文添削、ライブ音声翻訳、会議翻訳など幅広く提供しているので、ぜひお試しください! ダウンロードしてローカルで試す場合はHugging Faceから🤗
もっと見る
TL;DR:文書・画像・音声・動画を、1つのエンコーダと1つのJSONスキーマで構造化テキストに変換するモデルです。文書パースで最高スコアを記録しました。 Youtu-Parsing-Omni: One Encoder, One Schema, All Modalities ポイント ・🧩 共有Transformer1つで画像・音声・動画を符号化(初期値はQwen3-0.6B-Base) ・⏱ 時間・高さ・幅に分けた回転位置エンコーディングで、映像と音が同じ時間軸を共有 ・📐 OmniSchemaで文書・化学式・楽譜・チャート・音声・動画など10タスクを同じJSON形式に統一 ・🔁 後学習は自己更新する教師を使うOSAD蒸留とスキーマ対応RLVR ・📄 OmniDocBench v1.6は総合96.96で報告中最高 ・🎬 OmniParsingBenchはオープンウェイト最高の75.08。テキスト豊富な動画は75.62(比較モデル65.36) 一方でGemini-3-Proは77.44で上回り、Video-MME-v2ではQwen3-Omniに届いていません。音声ASRも課題です。LLMエージェントの入口となる「何でもパーサ」への有望な一歩だと思います。 #OmniModal# #DocumentParsing#
もっと見る
ほぼ24時間(実際は寝てる間以外のほとんど)、ローカルのPCで音声文字起こしのLLMをインストールして、動かして、都度Notionに保存して、私の秘書エージェントに繋ぐことに成功した!! これで、位置情報、パソコンの画面、音声全てを常にNotionエージェントに送り続けて、動かせるようになった。
もっと見る
ネイティブアプリから会話サポートやライブ翻訳、テレプロンプトのUIを呼び出せた。音声入力したテキストをApple IntellingenceなどのローカルLLMを使って翻訳して会話サポートのUIに流し込むこともできる。
もっと見る
SI(AI)ニュース夕刊|2026/11/12 米中AI企業・LLMの注目ニュース 【1|OpenAI:四半期売上100億ドル突破】 11/11、Bloomberg報道。 2026年7〜9月期売上は初めて$10B超。 前期$6.7B比で約+49% 調整後営業利益率は-150%→-109%と改善も、依然巨額赤字。 年換算売上ペースは$50Bとの報道。 未監査の関係者情報で、正式決算ではない。Anthropicとの売上定義の違いにも注意。 【2|Google:Gemini 4 Carbonを一般展開】 11/10公式発表。 複雑なコーディング・科学研究・長時間エージェント向け最上位モデル。Antigravityで複数AIを協調させる「/swarm」も試験導入。APIは100万トークン当たり入力$2・出力$10の期間限定価格で、12/1から$4・$20。性能評価はGoogle側の発表値。 【3|Google:TPU 8tx/8i Maxと「TPU Sync」】 11/9公式発表。8txは処理中データまで保護する機密計算向け、8i Maxは2基分の8iを統合し演算力・SRAM・HBM帯域を2倍に。さらにTPU SyncでHBM・DRAM・共有ストレージを階層化し、KVキャッシュをオフロード。GoogleはKV転送遅延と初回トークン待ち時間を90%超短縮と説明。GPUの競争軸がチップ単体からメモリー・ソフト統合へ。 【4|DeepSeek:エージェント利用急増】 11/8〜9公表・報道。オープン系エージェント「Harness」の11/4時点の日次利用者は154万人、公式APIで1日約92兆トークン、プラグイン約3.5万件。 単純平均で1人約6,000万トークン/日。すべてDeepSeek側の自己申告で独立監査なし。エージェントが推論需要を押し上げる一例。 【5|CoreWeave:GPU単価上昇と前払い活用】 11/11報道。7〜9月売上$3.66B(前年比+168%)、純損失$709M、利払い費$846M。短期契約は年$40M/MW超、長期は$20〜25M/MWへ。 今後3カ月で顧客前払い・預託金約$9Bを見込む。価格交渉力は強いが、資金調達と契約更新リスクも大きい。 【6|Anthropic:IPOの需給と議決権】 11/11 Reuters。 Vanda Researchは初日の個人投資家純買い越しを約$250Mと予想(SpaceX上場時は$118M)。あくまで推計。 S-1によると共同創業者7人は各約337万株を売却予定だが、特殊議決権で合計51.1%の票を維持する見込み。 【7|Meta:Museがスマートウォッチに】 11/9発表。Apple WatchとWear OSで音声・メッセージからエージェントを利用可能に。個人AIをスマホ外へ広げる動き。 【8|中国:AIが「独身の日」商戦へ】 11/11 Reuters。京東のAI買い物助手は利用約8,000万人(前年3倍超)。 天猫のAIトークン販売は比較期間比+700%超。モデル利用が企業APIだけでなく消費者向け流通へ広がる。 【9|Google:高速モデルHydrogenを社内試験】 11/11、Business Insider報道。 Gemini 4の低遅延・低コスト版とみられるモデルを社員が試用。正式発表や一般公開は未確認。 【10|Anthropic:Claude利用ポリシー改定】 11/12付で偽アカウントによる影響工作、兵器・監視への悪用、危険な機器の自律操作などの規定を明確化。 極端で執拗なモデルへの虐待も禁止。通常の批判や検証は対象外。 【次の注目】 OpenAIは11/12 10:00 PT(日本時間11/13 3:00)にサイバー関連イベントを開催予定。内容は未発表。 【Moonshot/ 11/11以降の新たな旗艦モデル公式発表は確認できず。
もっと見る
【発表】PLaMo翻訳の利用上限を大幅に引き上げたProプランを提供開始しました。加えて、Liteプランのファイル翻訳件数上限も大きく引き上げました。ライブ音声翻訳と英文添削も新たに追加され、コスト効率の高い翻訳特化型の国産LLMで日々の翻訳を強力にサポートします。
もっと見る