#音声認識

いちばん最初に思ったのは、これは派手なアプリというより、地味だけど毎日効く道具だな、ということだった。会議の文字起こしはもう珍しくないけれど、匿名の Speaker 1, Speaker 2 が並ぶだけだと、あとで読み返しても結局つまずく。そこに名前が付くだけで、検索のしやすさも、記録としての使い勝手もかなり変わるはずだ。こういう「小さい不便」を潰す用途に、coding agent がよくハマっている感じがする。 面白かったのは、著者が「新しいものを全部毎回判定する」のではなく、いったん音声を埋め込みとして保存して、似ている話者なら自動でつなぐ設計にしているところだ。埋め込みは、ざっくり言うと音声を数値の地図に置き換えて、近いもの同士を探すやり方だと思えばよい。人間が毎回同じ人の声を聞いて判別する代わりを、機械にやらせている。発想としては地味だけれど、これが「一度ラベルを付けたら次から楽になる」仕組みを支えている。 一方で、少し引っかかったのは、匿名の transcription をかなり信頼している点だった。実際には会議音声って、かぶり話しや雑音やマイク品質の差があるので、そこをどこ

AIモデルをクラウドで呼び出すやり方が当たり前になった一方で、端末の中で直接動く小さなモデルを見直そうという流れも強まっている。Desert Ant Labsの発表は、その動きをかなり強い言葉で押し出したものだ。単に「軽いモデルがあります」という話ではなく、音声・画像・テキストの仕事を端末内で即座に処理し、しかも無料で回せると主張している。この記事では、その新ラボが何を出してきたのかを整理したうえで、どこに現実味があり、どこに野心がにじんでいるのかを見ていく。 Desert Ant Labsは、欧州発の「opinionated on-device intelligence」を掲げるフロンティアAIラボとして立ち上がったと発表した。ここでいう on-device intelligence は、処理をクラウドに送らず、スマートフォンやPC、ブラウザの中で完結させる考え方だ。彼らはその方針をかなり徹底していて、音声、画像、テキスト向けの小型・特化型モデルをまとめて公開している。発表時点で最初の18モデルが使えるようになっており、そのうち12は stable、6は beta。Swift、Kot

庭に来る鳥を、スマホのアプリでその場で見分ける。そんな趣味の延長を、監視カメラとローカルAIで一段押し広げたのが今回の記事だ。筆者は、外に付けていた3台の security camera を鳥の鳴き声検知に転用し、どの種類がいつ庭に来たのかをリアルタイムで追えるようにしたという。面白いのは、これは「すごい実験」で終わっていないことだ。家庭内の通知、Home Assistant 連携、友人への共有まで含めて、かなり実用品として回っている。 筆者はもともと、妻がスマホのアプリで鳥の声を聞き分けるのを見ていて、そこから「鳴き声だけで自動判別できないか」と考えたそうだ。調べてみると BirdNET と BirdNet-Go があり、しかも Docker で動かせる。そこで、家の外に置いてあった3台の security camera を使い、搭載マイクに入る音を BirdNet-Go に食わせる形で、鳥の識別システムを組んだ。 BirdNet-Go は24時間動き続け、音を常時監視する。鳥が鳴き始めた瞬間に解析して、種名を返す。録音ボタンを押して後から聞き返すタイプではなく、その場で判定する点が

高性能なLLMを「自分のPCや自宅サーバー」で動かすための、かなり本気の実践メモ集です。 予算ごとに「どこまでできるか」をはっきり書いていて、夢物語ではなく現実の設計図になっています。 4枚のRTX PRO 6000を使った構成は豪快ですが、単なるお金の話ではなく、PCIeスイッチや電力制御まで踏み込んでいるのが渋いです。 speech-to-text（音声→文字起こし）やDockerを使った運用も含まれていて、実験ではなく“使うための環境”として整っているのが強いです。 このリポジトリは、ひと言でいうと「ローカルでLLMをちゃんと使うための、かなり筋の通った設計図」です。 しかも雰囲気がいい。ふわっとした夢の話ではなく、「$2,000ならここまで」「$40,000ならこの景色」という、かなり生々しい金額感で話が進みます。ここがまず面白いところです。 最近のLLMはクラウドで使うのが当たり前になりましたが、ローカルで動かす意味はちゃんとあります。たとえば、外部サービスにデータを投げたくない場面。社内資料や個人メモ、音声データみたいな“出したくない情報”を扱うとき、手元で完結する安心感は