今年も 京都にて #生成AIなんでも展示会 in 京都 vol.2を開催をします👏
地方だからイベントに参加できない、展示/出展できない機会をなるべく下げられるようにしていきたい
展示等の応募フォームは後日公開するのでお待ちください
techplay.jp/event/1000546
ようさん retweeted
FT-LLM2026で開発した日本語SpeechLLMについてテックブログを書きました。論文にしようかとも思ってたんですが、タイミング逃したのと調整が面倒だった...
学生2人で日本語音声LLMを作り、FT-LLM 2026 自由形タスクで1位を獲得した話|Atotti zenn.dev/ayutaso/articles/ft… #zenn
ようさん retweeted
高精度耳コピエンジン、JIT-MPEに関する論文をarxivで公開してみました。MITライセンスのオープンソース・オープンモデルです。
arxiv.org/abs/2610.33113
スマホでも動く約8.6万パラメータの軽量マルチF0推定モデルで、即時に推定結果を出しつつ160msまで段階的に更新して、評価実験では50ms時点でのF1で80.83%。ほぼ即時(50ms後)の推定なのに録音全体を使う(即時推定ではない)既存の公開オフライン方式との45比較中38で有意に上回る性能です。
気軽に出すつもりがAIがあるとほぼ労力なくいくらでも追加実験ができてしまうこともあり、当初の予定よりはだいぶ時間をかけてしまいました(^^;
このテクニックは既に公開中のEffeTune Note Spectrogramで使っているので、どのくらいの性能化はアプリで今すぐ簡単に試せます。PythonとJavaのライブラリ(EffeTune DSP Library)もあります。JIT-MPEは論文用に条件をシンプルにしているので、Note Spectrogram搭載版の方がさらに1%くらい高精度です。
ようさん retweeted
Full-duplex 2話者データの音声分離・復元モデル「DialogueSidon」の高速版「FastDialogueSidon」を公開しました!
1ステップ推論+軽量デコーダで、DialogueSidon公式実装比で約100倍の高速化と同等の性能を実現しています(H100上で計測)
GitHub:github.com/higurashi-ai/Fast…
Huggingface:huggingface.co/higurashi-ai/…
背景から制作までの過程と調査等を記事にしました
ayousanz.hatenadiary.jp/entr…
日本語の音声から文字起こしなしで Action JSON(Function Calling)を直接出す 2.59M の小型モデル「KoeAct-JP」を公開しました🎙️
ESP32-S3で発話終了から 0.53 秒で動きます!合成音声の評価で完全一致率 93.2% vs カスケード 83.6%
モデル 🤗
huggingface.co/ayousanz/KoeA…
はてなブログに投稿しました
日本語音声から直接Actionを生成する小型モデル KoeAct-JP を作る ― 設計・学習からESP32-S3での実行まで - yousanのメモ ayousanz.hatenadiary.jp/entr…
#はてなブログ
We believe voice is the most natural way to interact with intelligence, so we created Dessa, the most authentic full-duplex speech model ever built. Talking with it feels like talking with a person…full of emotion, nuance, pauses, and a natural cadence.
block.xyz/dessa
日本語の音声から文字起こしなしで Action JSON(Function Calling)を直接出す 2.59M の小型モデル「KoeAct-JP」を公開しました🎙️
ESP32-S3で発話終了から 0.53 秒で動きます!合成音声の評価で完全一致率 93.2% vs カスケード 83.6%
モデル 🤗
huggingface.co/ayousanz/KoeA…
声だけで、ロボットが動く🤖 「KoeAct-JP」
KoeActのデモをブラウザで触れるようにしました!
日本語で話しかけると、文字起こしなしで直接 Action JSON に変換します.
「LED消さないでね」には動かない、打ち消しも理解します。
デモ(hf space) 🤗
huggingface.co/spaces/ayousa…
日本語の音声から文字起こしなしで Action JSON(Function Calling)を直接出す 2.59M の小型モデル「KoeAct-JP」を公開しました🎙️
ESP32-S3で発話終了から 0.53 秒で動きます!合成音声の評価で完全一致率 93.2% vs カスケード 83.6%
モデル 🤗
huggingface.co/ayousanz/KoeA…
github.com/ayutaz/unity-embe…
UnityでEmbeddingGemma 2を使えるようにしました!
ひとまずwindowsのみの対応です
RalomiをESP32-S3で試してみました。認識早くていい感じ!TTSはSano-tts-jpです
日本語音声をひらがなにする(マイコンで動かせる)軽量音声認識モデル「Ralomi」を公開しました!
M5Stack CoreS3(ESP32-S3)に書き込むだけでオフライン認識でき、ブラウザでも試せます
モデル 🤗
huggingface.co/ayousanz/ralo…
デモ 👇
huggingface.co/spaces/ayousa…










