KAIST、拡散言語モデルで読唇の単語誤り率を19.4%に低減
ノ・ヨンマン教授のチームは、口の形が明確な単語から認識し、曖昧な部分を文脈で補う。433時間のLRS3データセットで単語誤り率19.4%を記録し、LRS3のみで学習した手法で最も低いとしている。
要点
- チーム：KAIST電気・電子工学部のノ・ヨンマン教授
- 手法：視覚音声認識に拡散大規模言語モデルを活用
- 評価：LRS3（433時間の映像）
- 結果：単語誤り率19.4%
- 次の目標：ウェアラブルやロボット向けの小型オンデバイス化
- ジェンスン・フアン氏がエヌビディアCEOを辞任 コレット・クレスCFOが暫定CEOに
- 元OpenAI研究者、DeepSeek・Moonshot・MiniMax・Antの中国製6モデルにBlackwellの痕跡を発見
- Google、コーディングとエージェント向けの高速モデル Gemini 4 Hydrogen を公開、ある指標で Argon を上回る
- Anthropic、Claudeが参加者としてビデオ会議に加わる「Claude Meetings」を開始
- Anthropic のIPOに売り出し株数の数倍の注文 引受銀行は仮条件を上回る価格を検討
- ブルームバーグ報道：Alice Huang 氏が創業した企業が禁輸対象の Nvidia H800 サーバーを入手