IBMが音声AI「Granite Speech 5.0」をオープンソースで公開、騒がしい場所でも高精度に文字起こし可能で複数人の会話を識別するAIも強化

この記事についての感想

IBMがオープンソースで音声AIのGranite Speech 5.0を公開した件ですが、これがまたかなり熱い動きになってきてますね。オープンソースっていうのが何よりデカくて、開発者目線だとマジで神アプデ扱いされてるみたいです。しかも騒がしい場所でも高精度に文字起こしができるとか、カフェとかガヤガヤした居酒屋でのインタビュー起こしとかでめちゃくちゃ重宝しそうなんですよね。これまでの音声認識って、ちょっと周囲がうるさいだけで誤字脱字の嵐になってストレスマッハだったじゃないですか。それが複数人の会話識別まで強化されてるってんだから、会議の議事録作成とかポッドキャストの文字起こし効率が爆上がりする未来しか見えません。IBMの本気度を感じるし、商用利用もしやすいライセンス形態なら企業のDX案件とかでも一気に採用が進みそうな予感がします。AIモデルのオープン化競争がどんどん激化してて、個人開発者でも最先端の技術にタダで触れる環境が整いつつあるの、マジで最高な時代になったなとしみじみ思っちゃいますね。ローカル環境でどれくらいリソース食うのか気になるところですが、早く試してみたい欲が抑えきれないです。