0.4秒ごとに発話を判断するオープンソース音声モデル登場——常時リッスンで多機能処理
0.4秒ごとに発話を判断するオープンソース音声モデル登場——常時リッスンで多機能処理
| 項目 | 内容 |
|---|---|
| ジャンル | AI |
| 日付 | 2026-06-07 |
| 元記事 | The Decoder |
要約
新しいオープンソース音声モデル「Audio Interaction」が公開された。0.4秒ごとに発話するか黙るかを判断する常時リッスン型のアーキテクチャが特徴で、翻訳・文字起こし・会話・環境音認識をシングルストリームで処理できる。従来の音声AIは特定タスク（例：文字起こしのみ）に特化したモデルを組み合わせる設計が多かったが、本モデルはリアルタイム音声インタラクションを単一モデルで完結させることで低遅延と汎用性を両立する。オープンソースとして公開されたことにより、音声AIの研究加速や商用応用（音声エージェント・翻訳デバイスなど）の拡大が期待される。