1週間の気になる生成AI技術・研究をいくつかピックアップして解説する連載「生成AIウィークリー」から、特に興味深いAI技術や研究にスポットライトを当てる生成AIクローズアップ。 今回は、ローカルで起動できるリアルタイム文字起こしAI「Moonshine Voice」を取り上げます。 ▲Moonshine Voiceリポジトリのスクリーンショット OpenAIの音声認識モデル「Whisper」は、リアルタイムの音声インタフェースとして組み込む場合にはいくつかの弱点を抱えています。まず、常に30秒の音声を処理する仕様のため、短い発話であっても空白部分の処理に計算リソースを浪費し、結果として応答遅延（レイテンシ）が生じやすくなります。 また、継続的な音声入力に対してもキャッシュの仕組みを持たず毎回ゼロから計算をやり直す点や、日本語などの非英語言語の精度が低下する点、さらにモバイルやIoT機器への

無料で音声入力をテキストに変換してくれるオープンソースのアプリ「Handy」が公開されています。マイクに向かって話しかけるだけで、ローカルで動作するAIモデルが自動で文字起こししてくれるので、キーボードを使わないテキスト入力が可能になります。 Handy https://handy.computer/ 上記のサイトにアクセスし、今回はWindows向けのインストーラーをダウンロードするため、「download handy for windows」をクリック。インストーラーはEXE形式で、ファイルサイズは12.6MBでした。なお、HandyはWindowsのほか、macOSとLinux(x64)に対応しています。 ダウンロードしたインストーラーを起動。「Next」をクリック。 「Next」をクリックします。 インストールが終わったら「Next」をクリック。 「Finish」をクリック。 Ha

Webスクレイピングする際の注意事項とルールについてまとめました。 【Webスクレイピング】主な注意事項 Webスクレイピングを行う際の注意事項をまとめてみました。 ● サイトに記載されている利用規約等に従って利用する。 →スクレイピングが禁止されていれば行わない。 →スクレイピングしたデータを利用するときもルールに従う。 ● 「robots.txt」「robots metaタグ」「HTTPヘッダーのX-Robots-Tag」に記載されているクローラーに対するルールに従ってアクセスする。 ● rel=”nofollow”があるaタグのリンク先はクロールしない。 ● サーバにアクセスする間隔時間を開けて高負荷をかけないようにする。（ネット上では最低1秒以上？という情報が多いですが、利用規約その他のルールがあればその指示に従いましょう）

家電量販店に行くと今でもボイスレコーダーのコーナーがあり人気だ。またスマートフォンにも必ずボイスメモアプリがある。筆者も一時期アイデアをボイスメモで録り溜めていた。しかし、ボイスメモは聞き直す必要があり管理が面倒という欠点もある。そこで、今回はPythonからMicrosoftのAPIを利用して自動的にボイスメモをテキストに変換する方法を紹介しよう。 WAVファイルを音声認識してテキストに変換したところ 音声認識APIを使ってみよう AI技術の進歩により音声認識の精度が向上している。これまでも音声認識の技術はあったものの精度が今一歩だった。そして個人ユーザーが気軽に活用できる感じではなかった。ところが、最近では、各社が競い合うように音声認識の精度向上に力を入れている。各社から発売されているAIスピーカーを積極的に活用している読者も多いことだろう。 そして、大きな点として、Microsoft

Web会議が増えた今、議事録作成に時間がかかっていませんか？今回は、TBSテレビが開発した文字起こしエディタ「もじこ」を実際に使ってみた使用感をレポートします。文字起こしサービスを比較したい方や「もじこ」に興味がある方は是非ご活用ください。 TBSテレビが開発した文字起こしエディタ「もじこ」 もじこは、TBSテレビが開発した「文字起こしエディタ」です。放送局では日々、多くの文字起こしが行われていますが、文字起こしは地獄です。この地獄を劇的に変えるツールとしてもじこは開発されました。活用事例は、TBSやMBSなどのJNNネットワーク各局、活字メディア、会議の議事録作成などさまざまなシーンが挙げられます。 また技術面でも高く評価され、「日本民間放送連盟賞　優秀賞」「映像情報メディア学会　進歩開発賞」「日本映画テレビ技術協会　技術開発賞」を受賞、映像・放送業界における技術部門三冠を達成している議

レバレジーズのデータ戦略室で室長をしている阪上です。今回はレバレジーズの運営するメディアの取材における課題について紹介したいと思います。 課題 レバレジーズが運営しているメディアで取材が数多く行われているのですが、取材音声の文字起こしをこれまで人手のみで行なっていました。1時間の取材の場合、1時間以上に文字起こしに時間がかかったりするため、記事を書く上での重要な情報資源ながら、人に対する負担が大きい状態でした。そこで、現場の悩みを解決したいと思いました。 仕組みの説明 まず、求められる要件を以下の通りです。 求められる要件 文字起こしをして欲しい。 Googleドライブにアップロードしたら自動で文字起こしされ、結果もGoogleドライブに返して欲しい。 文字起こし結果を一定の文字数で改行して欲しい 朝の8時から夜の21時までは処理を受け付けて欲しい、1~2時間以内に処理結果が欲しい 様々な

DeNAは、AIの大波を捉えるために、全社をあげてAI活用と新しい事業の立ち上げに取り組んでいます。 資金調達、Go to Market、自社に最適なAIツール、グローバルチームとの連携、アクセラレータープログラムなどに興味をお持ちの方にイベントの情報の提供を行なっております

内容をメモる必要なし！ 電話の内容を録音＆文字起こしするAIアプリ｢コネクト｣2021.05.10 10:0027,661 岡本玄介 後になって｢アレ何だっけ？｣がなくなりそう。 電話で喋ったやり取りが、テキスト・メッセージのような文字の吹き出しで表示され、その音声も録音されるので後から内容を確認しやすい、AI通話アプリ｢コネクト｣が開発されました。 作ったのは、ソフト開発を行なう株式会社アトラスコネクト。これがあれば、上司や取引先と話した内容など、大事な情報を失念することがなくなります。 Video: Jay Jang/YouTubeタグ付けもできて管理がラクテキストはAIによりリアルタイムで文字起こしされ、終了後すぐに見返すことができます。そして通話データはタグも付けられ、後から検索や管理ができるというスグレモノ。｢電話業務が難しい理由は通話内容が記録されないから｣…という原因をこれで

3,850円（本体 3,500円＋税10%） 品種名書籍 発売日2021/5/20 ページ数352 サイズB5変形判 著者 高島遼一　著 ISBN 9784295011385 「音声認識」とは音声信号から発話内容を認識することで、AIスピーカなどに利用されている技術です。本書は、音声認識技術の発展経緯を学びながら、深層学習を用いた最新の音声認識システムを実装できるまでを目的とし、手法の目的やアルゴリズムの概要を解説、続いて数式レベルでの詳説、最後にソースコード付きで実装という流れで解説しています。特に手法の概要については「その手法は何を目的として生み出されたのか」という経緯と「なぜその手法は前述の目的を達成できるのか」について直感的に理解できるよう工夫しています。 目次を見る

Microsoftが、誰が何を話したのかリアルタイムで文字化して記録してくれる、無料の文字起こしアプリ「Group Transcribe」を公開していたので、実際に使ってみました。 「Group Transcribe」をApp Storeで https://apps.apple.com/jp/app/group-transcribe/id1527145885 iOS端末でApp Storeにアクセスして「Group Transcribe」を入手します。 インストールするとアプリの説明画面が4枚表示されます。「次へ」をタップするか、右へスワイプして進めていきます。 最後の説明画面で「始めましょう。」をタップ。 利用規約が表示されるので「承認」をタップ。 表示名と言語を入力します。 言語はプルダウン式メニューになっていて、かなり多数の言語が用意されています。ここで設定された言語をベースに文字起

Microsoft、文字起こしアプリ「Group Transcrib‪e‬」を公開 2021 3/16 Microsoftは3月上旬、対面での会議や会話のためのリアルタイムのテープ起こしと翻訳を提供する「Group Transcrib‪e‬（グループ転写）」のiOSアプリをリリースしました。会議の参加者がそれぞれのデバイスで使用することができます。 メモを取らずに会議に集中できる優れもの 最先端のAI音声・言語技術を搭載したGroup Transcribeで、会話の参加者は共有セッションを開始し、それぞれが携帯電話のマイクを使用して、リアルタイムで誰が何を言ったかを示す、非常に正確なトランスクリプトをキャプチャできます。 会話の高品質な記録に自信を持つことで、ユーザーはメモを取る必要がなくなり、会話そのものに注意を集中させることができます。トランスクリプトは、共有したり、再配置も簡単に行う

TechCrunch Daily News Every weekday and Sunday, you can get the best of TechCrunch’s coverage. Startups Weekly Startups are the core of TechCrunch, so get our best coverage delivered weekly.

ユーザーローカルは11月19日、AIが人間の声を分析し、その中に含まれる感情を7種類に分類するサービスを無償公開した。同社が実験でアニメのせりふを分析したところ、「ドラゴンボール」に登場する孫悟空の「クリリンのことかーっ！」は怒りが36.8％、嫌悪が21.3％だったという。 感情の度合いを数値化したり、グラフ化したりできる。まずはPCブラウザ（Google Chrome、Firefox、Microsoft Edge）向けの専用サイトで提供し、今後はWeb APIのリリースも検討する。 検出できる感情は「平穏」「幸福」「怒り」「悲しみ」「恐怖」「嫌悪」「驚き」。利用者が専用サイトで声を録音するか、オーディオファイル（MP3・WAV）をアップロードすると、AIが音声を分析。これらの7種類に分類し、その度合いを数値化する。 アニメのせりふを使った他の実験では、「鬼滅の刃」に登場する我妻善逸の「雷

ソースネクストは、大ヒット製品であるAIを使った音声翻訳機「POCKETALK（ポケトーク）」の技術を活かした、「タブレットmimi」および「AutoMemo（オートメモ）」などの新製品を発表した。 2020年11月10日、都内で開催された新製品発表会は、新型コロナウイルス感染症の感染防止のため、オンラインでも同時配信された。 ■ポケトークテクノロジーを利用した新製品 ソースネクスト株式会社 代表取締役社長 松田憲幸氏は、同社のIoT戦略について語った。 松田憲幸氏 「ポケトークテクノロジーの応用として翻訳だけでなく、そこで使われているさまざまなパーツ。たとえば、『文字にする』だけでも新たなIoT製品になるので、今後どんどんやっていこうと思っています。」 こう語り、AIボイス筆談機「ポケトークmimi」を例にとり、音声を認識してテキストで表示するだけでも、難聴者にとって有用なツールになるこ

サインインした状態で「いいね」を押すと、マイページの 「いいね履歴」に一覧として保存されていくので、 再度読みたくなった時や、あとでじっくり読みたいときに便利です。