容量わずか 164MB：超軽量音声認識モデル「Phonon-2」が公開
Fermion Research が英語音声認識モデル「Phonon-2」をオープンソースで公開した。ダウンロード容量はわずか 164MB ながら単語誤り率 5.21% を達成し、M5 MacBook Air であれば 1 時間の音声を約 20 秒でテキスト化できる。
Parakeet TDT 0.6B v3
NVIDIA、約100万時間の多言語音声データセット「Granary」と最新モデルをオープンソース公開
NVIDIAは25の欧州言語に対応する音声データセット「Granary」をオープンソース公開した。約100万時間の音声を含み、高精度な「Canary-1b-v2」と高速処理に優れた「Parakeet-tdt-0.6b-v3」モデルも同時にHugging Faceで提供される。