StudioYebisu
@studio_yebisu • 16,677 subscribers
エンジニア上がりの元ゲーム会社ディレクター 海外の有益Post中心に、認知負荷下げる解説か、アイデア乗っけて引用します。たまにネタツイと趣味で作ったOSS公開。 X:プロAI驚かせ屋 Note:技術的な話 Cien:ぐぐれ 最新技術で、叡智溢れるゲームを作る人 偉そうなことを言っていても、コイツが作ってるものはerg
Videos
おい、Xに新たな天才が降臨して、とんでもないモデル出してるから、デモを見てくれ。 これ、リアルタイム文字起こしやぞ…？ 日本語認識スコアの高いASR（自動音声認識）はガチで応用範囲めっちゃ広いから、認知必須。 無料で使える日本語音声入力に革命、く、くる… Haas-ja-v1.0はほぼリアルタイムでの日本語文字起こし、STTに活用出来る音声認識モデル。 速度が爆裂速いから長時間録音の文字起こしもありえん速度で出来る。AquaVoiceみたいなのもローカルだけで作れるやろな…。 ただ、まぁデモの後半（ポラーノの広場）見てもらったら分かるけど固有名詞とか詩的な表現は流石にMicrosoft MAIほどは正しく認識されない。 以下はMAIでは正しく認識されてたが、Haas-ja-c1.0ではやや誤りがあった部分。 「イーハトーヴォ」 → 「イーハトーボ」 「草の波」→「草の名に」 それでも、モデルサイズとコスト的に驚嘆すべき認識力 辞書登録とかで対応すればええ箇所やな 松島竜成さんはThird Intelligence※に所属されてる方のようや。 ※松尾研究所から独立して生まれた、日本のAI研究・プロダクト開発会社 NVIDIAの「Parakeet-TDT」の設計をベースに色々組み合わせて、約4万6,000時間の音声データで学習されてるって書いてあるけど、低品質データを相当上手くフィルタリングしないとこの精度にならんやろ…ｼｭﾎｳｷﾆﾅﾙ 最近は日本謹製の独自モデルが色々でてきててアツいな。日本人のLLM研究者達のモデルも今後いっぱいでてくるんやろな。 私のような場末の開発ニートには応援しか出来んけど、マジで凄いわ。 全ての関連プロジェクト開発者に感謝を。
StudioYebisu170,212 görüntüleme • 1 gün önce
流石に神アプデすぎる。 Google AI Proの特典でA100 40GB/80GBが使えるようになった!!!太っ腹すぎて横転通り越して回転してる。 今や600万以上するグラボが激安レンタル可能 人によっては十万円分の価値あるだろこれ。 実際にClaboでMinimaxH3の量子化なしのモデルを動かしてみてるから、見てくれ。 どういう形で活用出来るかしっかりと書いとくわ。 これまでもColabは使えたが、16GB VRAMが天井だったのでまぁぶっちゃけ大したことは出来なかった。 しかし、A100の40GB、80GBも使えると出来ること広すぎてやばい。Blackwell 6000も使えるという情報有り。 もうこれを革命と言わずして何を革命というんだ？ もはやこれ、本体のGeminiサブスク費用より価値あるだろ。GoogleGemmaチームの熱量は、Google Geminiチームの100倍は気合が入っている。 用途はざっくり以下 1. 重量級動画生成・画像生成の「フル精度 / 高解像度」一発出し - ローカルGPUだとFP8やきつめのGGUF量子化に頼らざるを得ない動画生成モデル（Wan2.2、LTX-Video、HunyuanVideoなど）を、FP16/BF16に近い高い精度や大きめのコンテキストでVRAMオーバーフロー（OOM）を気にせず回せる。 →本気のMinimaxH3が使える。カスタマイズも可能。 2. LocalLLMの検証自由度が激変 - 例えば24GB VRAMだと4bit量子化（AWQやGPTQ）で文脈長（Context Length）を絞らないと動かない。 40GBあれば、8bit量子化で長文脈を食わせたり、ファインチューニングのLoRA検証を回す余力が生まれる。 80GBあれば、30B〜70Bクラスのモデルが普通に動かせる。 月に配布される200 CU内で動かせる時間は概算で以下 A100 標準 (40GB)約 5.3〜5.4 CU / 時間約 37 時間 A100 ハイメモリ約 7.5 CU / 時間約 26〜27 時間 MCP対応だからセットアップもAI任せ。 添付してる動画は実際にColab上で生成したものの0.5倍速。 左の映像がColabで。引いていっても顔が潰れてないのわかりますか？右がローカルで私によって魔改造されてるMinimaxH3。 左は全く無改造でこれ。魔改造MinimaxH3（80GB用）を作るか…。
StudioYebisu226,400 görüntüleme • 22 gün önce
議事録文字起こしアプリ界隈終了のお知らせ。 Microsoftが今日リリースした、MAI-2-Streamingが音声文字起こし精度でAAベンチ1位を獲得。WER（単語誤り率）で2.5%を記録。100単語あたり2.5語の間違い。 今日も日本最速デモをお届け < プロとして... デモを見てもらえばわかりますけど、 聞き取りにくい、ささやき声や固有名詞とかは流石に完璧に文字起こし出来るわけではないですが。 一般名詞範囲であればかなりの精度かつ、超高速（0.13秒程度）で文字起こしが可能となります。 ※デモではElevenlabs v4 で生成された音声を、マイク入力で読み込んでそれを文字起こししています。 料金は音声1時間あたり $0.54（Vercel API） まぁ価格は普通ですね。 Vercelは無料トークンもあるんでかなり試しやすいかと。API連携で多様なサービスにすぐ実装出来るしね。 まぁ議事録界隈は固有名詞の辞書登録とかに価値があると思うんですぐにコモディティ化ってわけではないと思いますけど、音声→テキスト。っていうユースはかなり応用が効きやすいので、ぜひ皆さんも試してみてね。
StudioYebisu71,606 görüntüleme • 1 ay önce
領収書のPDF等をAI-OCRして、Freee,MF,弥生用のCSV出力するOSS【Ryoshu】を作りました！ CPUで動く軽量のLocalLLMを組み合わせて PDFや画像をOCR→数字読み取り→意味判断AIに投げて勘定科目を判断→CSV出力 という感じのアプリケーションです。 完全ローカル駆動で情報が外に漏れません。 使い方は、PDFや画像をまとめて選択するかフォルダごとドロップして、読み取りスタートを押すだけ。 元画像、抽出した文字や数字、勘定科目の候補を並べてチェック。 画像は拡大、科目はクリックで変更できます。 修正・確認したら、汎用CSVや会計ソフト向けCSVに出力。 読み取りはIndra OCR (約76MBの軽量OCR) 勘定科目の候補は別のQwen3 4Bが担当（使用している4ビット量子化版は約2.5GB） 初回セットアップと更新時はネット接続とライセンス同意が必要ですが、以降はローカルPC上で動きます。 架空領収書PDF 100件をの読み取り結果正答率は ・金額95/95 ※5件は外貨・返金等のダミー ・日付99/100でした。 ・通常の勘定科目候補：44/48件 ・保留・登録停止・資産確認なども含む全体判定：86/100件一致 → 86% 金額等は正確に読み取りますが、勘定科目の判定は甘いので、基本的にご自身でもデータを確認してもらう事になるかと思います。 あくまで補助ツールなので、日付・金額・科目は元の領収書と照合して、税務判断は税理士に相談してくださいね。 ローカルLLMを試してみたい方向けに、CPUで動作するレベルの軽量AIモデルを利用＋実用性のありそうなソフトっていうテーマで作りました。 ライセンスMITなので、フォークして自由に改造してください。issue投げてもらったら、可能な範囲で対応します。 OCRの精度上げたい…という方はもう少し大きくて性能の高いモデルに変えてもらえればいいとも思います！（Unlimited-OCR-2等） 勘定科目も別のModelの方が正確に出せると思います。 今回は動作条件を選ばない軽量さを重視してます。
StudioYebisu11,310 görüntüleme • 3 gün önce
TTS競争激化でTTS界の王。 Elevenlabsの新モデルV4がリリースされてアツい。 一般人レビューだとこのPostが最速だから動画見て確認してみて。ASMR表現も上がってるから必聴。 品質面ではGemini越えてると思った。 Artificial Analysisでrank 1を再度奪還してる。 V4は10月12日まで約72％引きになってるっぽい 日本語の品質向上に実際の日本人がRL(事後学習)に参加してるようで、v3と比べて圧倒的に表現力が豊かになってるのと漢字の読みが正しくなってる。 丁寧な事後学習で表現と漢字の読み間違いを直してる印象。これ大変だっただろうな～。
StudioYebisu59,396 görüntüleme • 1 ay önce
Daha fazla içerik yok.