名古屋ではたらく社長のIT実験室

Peter Steinbergerインタビューpart6です。 part1～7あります。

Peter Steinbergerインタビューpart5です。 part1～7あります。

Peter Steinbergerインタビューpart4です。 part1～7あります。

Peter Steinbergerインタビューpart3です。 part1～7あります。

Peter Steinbergerインタビューpart2です。 Part1～7あります。

Peter Steinbergerインタビューです。 Part1～7あります。

アンドレイ・カーパシーが提言「テキストを画像で処理せよ」：DeepSeek-OCRとAIの未来を変える”光学的圧縮”の衝撃

LLMの「文脈長の壁」を視覚圧縮で破る：DeepSeek-OCRが示すAI記憶と効率の新境地

AK_part3

AK_202510_part2

AK_202510_Part1

自分の声をサンプリングして、VibeVoice-7Bに喋らせてみた結果。

大規模言語モデル (LLM) における「幻覚 (hallucination)」と呼ばれる現象について考察しています。この現象は、モデルが自信を持って誤った情報を生成することを指し、OpenAIの最新研究論文がその原因と評価方法の改善を提案しています。資料は、現在のトレーニングと評価の仕組みが、不確実性を認めるよりも推測を報酬として与えているため、幻覚が継続していると主張しています。

スクリプト： Speaker 1: こんにちは、みんな。今日は新しいAIのデモをためしてみるんだよね？ Speaker 2: そうそう。音声合成で自然な日本語が話せるか確認したいんだ。 Speaker 3: 楽しみだなぁ。どんな声になるのか想像できないよ。 Speaker 4: 私はちょっと不安。変なイントネーションにならないかな？ Speaker 1: まあまあ、ためしてみないとわからないよ。とりあえずやってみよう。

スクリプト： Speaker 1: こんにちは、みんな。今日は新しいAIのデモをためしてみるんだよね？ Speaker 2: そうそう。音声合成で自然な日本語が話せるか確認したいんだ。 Speaker 3: 楽しみだなぁ。どんな声になるのか想像できないよ。 Speaker 4: 私はちょっと不安。変なイントネーションにならないかな？ Speaker 1: まあまあ、ためしてみないとわからないよ。とりあえずやってみよう。

Script: Speaker 1: Hi everyone. We’re going to try a new AI demo today, right? Speaker 2: Yeah. I want to check if it can speak natural Japanese with speech synthesis. Speaker 3: I’m looking forward to it. I can’t imagine what the voice will sound like. Speaker 4: I’m a little worried. What if the intonation sounds weird? Speaker 1: Well, we won’t know until we try. Let’s give it a shot.

スクリプト： Speaker 1: こんにちは、みんな。今日は新しいAIのデモをためしてみるんだよね？ Speaker 2: そうそう。音声合成で自然な日本語が話せるか確認したいんだ。 Speaker 3: 楽しみだなぁ。どんな声になるのか想像できないよ。 Speaker 4: 私はちょっと不安。変なイントネーションにならないかな？ Speaker 1: まあまあ、ためしてみないとわからないよ。とりあえずやってみよう。

スクリプト： Speaker 1: こんにちは、みんな。今日は新しいAIのデモをためしてみるんだよね？ Speaker 2: そうそう。音声合成で自然な日本語が話せるか確認したいんだ。 Speaker 3: 楽しみだなぁ。どんな声になるのか想像できないよ。 Speaker 4: 私はちょっと不安。変なイントネーションにならないかな？ Speaker 1: まあまあ、ためしてみないとわからないよ。とりあえずやってみよう。

「interview2jppodcast」は以下の機能を持った便利なあぷりです。このアプリを使えば、聞き取れない言語の対談動画を日本語で聴けるようになります。 外国語のトランスクリプトを話者分離した日本語訳にする GeminiのAPIを用いてTTSする 長尺の場合、トランスクリプトをチャンク分けして並列でTTSをおこなうため短時間で音声にできる ユーザーが指定したBGMを合成する https://github.com/ikuo5710/interview2jppodcast

Discrete Diffusion Timestep (DDT) Tokensに関するこの論文は、マルチモーダル大規模言語モデル (MLLMs)における視覚理解と生成を統合する革新的なアプローチを提案しています。既存のMLLMが使用する空間視覚トークンは、言語に固有の再帰的構造が欠けているため、LLMが完全に習得するのが困難であるという問題点を指摘しています。この課題に対処するため、著者は拡散タイムステップを活用して、離散的で再帰的な視覚トークンを...

この文書では、3D Gaussian Splatting (3DGS) という、新しい視点合成フレームワークの基本的な定式化を改善する研究が紹介されています。著者らは、3DGSのガウス分布の代わりに、より表現力豊かなStudentのt分布を使用する新しいモデル、Student Splatting and Scooping (SSS) を提案しています。SSSは、正の密度（スプラッティング）だけでなく**負の密度（スクーピング）**も利用することで、モデルの表現力とパラメータ効率を...

提示された文書は、最先端の視覚言語モデル（VLM）であるMolmoの紹介とその開発について詳述しています。現在のVLMの多くが独自のモデルであり、合成データに大きく依存しているという問題に対処するため、Molmoはオープンソースの重みとデータ、特に外部VLMを使用せずに収集されたPixMoデータセットを提供しています。このPixMoデータセットは、詳細な画像キャプション、自由形式の質問応答データ、および革新的な2Dポインティン...

この研究は、ロボットの視覚的ナビゲーションを改善するためのナビゲーションワールドモデル（NWM）と呼ばれる新しいアプローチを提案しています。NWMは、過去の視覚的観測とナビゲーション動作に基づいて将来の視覚的観測を予測する制御可能なビデオ生成モデルです。このモデルは、ロボットと人間のエージェントの両方からの多様な自己中心的なビデオで訓練され、複雑な環境力学を捉えるために条件付き拡散トランスフォーマー（CD...

本研究は、カジュアルな単眼動画から正確かつ高速にカメラパラメータと深度マップを推定するシステム「MegaSaM」を提案しています。従来のStructure from Motion（SfM）やSimultaneous Localization and Mapping（SLAM）手法は、静的なシーンと大きな視差を前提としていましたが、本システムは動的なシーンやカメラの視差が小さい状況でもロバストな推定を可能にします。そのために、ディープビジュアルSLAMフレームワークを改良し...

この学術論文では、フラッシュライダーシステムから得られる、伝播する光の多視点・時間分解測定を扱うニューラル逆レンダリング手法が紹介されています。提案されたシステムは、物理ベースのレンダリングモデルと時間分解されたラディアンスキャッシュを組み合わせており、これらはニューラルネットワークによってパラメータ化されています。このアプローチにより、強い間接光下での高精度な3Dシーン再構築や、伝播する光の新規視...