モデル・開発
Indic-Transcribe：インドで実際に話される言葉のために構築
原題: Indic-Transcribe: Built for the way India actually speaks
27言語を扱うCoreとFlexの2モデル
Bodhan AIとAI4Bharatは、1.2Bパラメータの音声認識モデル「Indic-Transcribe」を9月5日に公開しました。
インド憲法指定の22言語、英語、ヒンディー語の2方言、Bhili、Bhojpuriの計27言語に対応します。
二つのチェックポイントは同じエンコーダー、トークナイザー、学習コーパスを使い、出力方式が異なります。
Coreは各言語の固有文字で文字起こしし、二つのうち精度を優先したモデルです。
Flexは固有文字、ローマ字、両者を混ぜた表記を一つのウェイトから選択して出力します。
コードスイッチ、地域のアクセント、方言、雑音を含む音声を想定しています。
Coreは言語が未指定の場合に音声から言語を判定できます。
両モデルはFastConformerエンコーダーと新規の24層Transformerデコーダーを組み合わせています。
音声は最長30秒の窓で処理し、長い録音には発話区間検出による分割を推奨しています。
モデルはBodhan AIのAPIから試用でき、CoreとFlexのウェイトはHugging Faceで配布されています。
Hugging Faceでの取得にはアクセス申請が必要で、独自のIndic Open Model Licenseが適用されます。
精度比較は発表元の評価であり、独立評価とは区別が必要です。