Mistral AIは、2月4日、新たな音声テキスト変換モデル「Voxtral Transcribe 2」をリリースした。このAIモデルファミリーには、バッチ文字起こし用の「Voxtral Mini Transcribe V2」と、ライブアプリケーション用の「Voxtral Realtime」が含まれる。
Voxtral Transcribe 2は精度の高い話者識別と文字起こしを実現するAIモデル。英語や日本語を含む13言語の音声に対応しており、専門用語や固有名詞を学習するコンテキストバイアスの機能や、単語レベルのタイムスタンプ機能を備えている。
Voxtral Realtimeは音声が到着した時点で文字起こしを行うストリーミングアーキテクチャによって、2.4秒の遅延に抑え、ライブ文字起こしに最適化されている。
Voxtral Realtimeは、API経由で1分0.006ドルで利用できるほか、Apache 2.0ライセンスに基づいたオープンライセンスでHugging Face Hubにて公開されている。
Voxtral Mini Transcribe V2は、料金は1分あたり0.003ドルと手ごろでありながら、平均ダイアライゼーションエラー率を低く抑えていることが特徴。ノイズに対する堅牢性を備え、工場の現場などの難しい音響環境でも精度を維持する。
Voxtral Mini Transcribe V2は、Mistral Studio audio playgroundまたはLe Chatから試すことができる。
- 関連リンク
この記事は参考になりましたか？
- この記事の著者
-
CodeZine編集部（コードジンヘンシュウブ）
CodeZineは、株式会社翔泳社が運営するソフトウェア開発者向けのWebメディアです。「デベロッパーの成長と課題解決に貢献するメディア」をコンセプトに、現場で役立つ最新情報を日々お届けします。
※プロフィールは、執筆時点、または直近の記事の寄稿時点での内容です
