オープンソースの会話型AIツールキットであるNVIDIA NeMoは、1月8日にWebmaster Homeが報じたように、英語の話し言葉を卓越した精度で書き起こすことができる最先端の自動音声認識(ASR)モデルシリーズであるParakeet ASRモデルファミリーを発表しました。 Nvidiaは、RNN Transducer/Connectionist Temporal Classificationデコーダーをベースに、60万〜1億1000万個のパラメータを持つ4つのParakeetモデルを発表しました。 幅広いオーディオ環境を処理でき、わずか64,000時間のデータセットでトレーニングした後、ベンチマークデータセットで優れたワードエラー率(WER)パフォーマンスを達成し、以前のモデルを凌駕しています。 開発者によると、このモデルは音楽やミュートなどの非音声セグメントに対して堅牢であり、ベンチマークテストではOpenAIのWhisper v3を上回っています。 また、事前にトレーニングされたコントロールポイントを使用して、プロジェクトへのユーザーフレンドリーな統合も提供します。