Google Universal Speech Model（USM）: 100以上の言語をサポートする最先端の音声AI

• 昨年11月に始まった「1,000言語イニシアチブ（1,000言語をサポートする機械学習モデルの構築）」を進行中
• 現在のUSMは20億のパラメータを持ち、300を超える言語、1,200万時間の音声、280億文で学習されている
• YouTubeで字幕生成のために使用。英語/中国語だけでなく、Amharic、Cebuano、Assamese、Azerbaijaniのような言語までサポート
• 目標達成のための2つの重要な課題
  • 既存の教師あり学習手法はスケーラビリティが不足
  • 言語を増やすためにモデルを効率的に生成
• アプローチ: Self-supervised learning with fine-tuning（微調整を伴う自己教師あり学習）
• 論文とAPI（研究者のみ申請可能）を公開

[wedding]

消えつつある言語や方言のようなものを、後世でも使えるようにする良い技術だと思います。