VV01ライブデモ：リアルタイムで英語をロシア語に翻訳する機能
90秒のライブデモでは、VV01オフライン会議ホストの全機能が実演されています。英語の音声はリアルタイムで翻訳され、テキストと音声の両方で表示されます。この記事では、ビデオの各セグメントについて詳しく説明しており、ハードウェアの仕様、遅延や精度の数値、4つの展開シナリオ、そして再利用可能な承認チェックリストも記載されています。
私たちは、**VV01のライブデモ動画です。**というシステムを開発しました。このシステムでは、話者が英語で話すと、VV01がその発言内容をリアルタイムでローカルに書き取ります。また、**それをロシア語に翻訳し、発言内容を統合します。**という機能により、マイクからの音声が画面上に翻訳されたテキストとして表示されます。そして、どこにもクラウドを利用することはありません。
この記事では、その動画の各部分を細かく分けて説明しています。また、各部分がどのような機能を持っているかも説明しています。さらに、どの数字が正確な数値であり、自分で測定する必要があるかも明記しています。最後に、購入前に再利用できるチェックリストも記載されています。
この動画はYouTubeにアップロードされています。もし、お使いの地域で埋め込みプレイヤーが遅く表示される場合は、最後に元の動画への直接リンクがあります。
そのビデオの中には、何が映っているのでしょうか？
この完全版の動画は、4つのセグメントに分かれており、合計で90秒間続きます。
| タイムスタンプ | コンテンツ |
|---|---|
| 00： 00 | はじめに & VV01ハードウェアの設定 |
| 00:15 | ライブ中の英語版音声認識（ASR）のデモです。 |
| 00:45 | 即時の英語からロシア語への翻訳（テキスト／音声） |
| 01:15 | 精度と低遅延性能のテスト |
セグメントの詳細
00:00 · ハードウェアの設定：1台のデスクトップホスト、1台の全方位マイク
この設定画面には、2つの接続のみが表示されています。1つは外部全方位マイク（USBまたは3.5mm）で、もう1つはHDMIの表示出力です。4K入力/8K出力に対応しています。クラウドアカウントやライセンスサーバーは必要ありません。単に接続するだけで、すぐに動作します。
VV01自体は、デスクトップ型の装置です。サイズは243×180×82ミリメートルです。また、46個のNPUを搭載しており、RAMは8GB、ストレージ容量は128GBです。このサイズのため、**それは、会議用のテーブルの隅に置かれるか、バックパックの中に収められます。**をラックに収納する必要がありません。
00:15 · リアルタイムで英語を話すASR：話しながら文字を入力する
話し手は、自然な速さで英語を話しています。同時に、画面には音声文字起こしという文字が表示されています。2つの点が重要です。
- 出力はストリーミングで行われています。 公式の遅延時間は1秒未満です。つまり、言葉が発せられる直後でテキストが安定するのです。全文が一括して表示されるのは、その後になってからのことです。ライブ字幕の場合、この違いによって、視聴者が内容を理解できるかどうかが決まります。
- **その音声は、ずっとそのマシンの中に留まっていました。**というモデルは、ローカルのNPU上で実行されます。これは、「オフラインのASR」と「クラウド認識を伴うローカル表示」の間の境界です。後者では、画面上では同じように表示されますが、音声データはすでにネットワークを通じて送信されています。
数字に関しては、注意点があります。公式の**≥98％の正確率というのは、標準的な Mandarin のレベルで測定されたものです。**では、リアルタイムで英語を認識できますが、その性能は、使用する言語、発音、周囲のノイズによって変わります。このアドバイスは、私たちの製品だけでなく、他のどのベンダーの数値にも適用されます。
00:45 · 英語からロシア語への翻訳：テキストと音声の表示
これが核心部分です。英語の発話内容は、**画面上に翻訳されたテキストが表示され、そのテキストを音声として出力します。**を通じてリアルタイムでロシア語に翻訳されます。また、この翻訳モデルは、ローカルのNPU上でも実行されています。
なぜこれがそんなに重要なのでしょうか？それは、翻訳の工程こそが「オフライン」という約束が最も崩れやすいポイントだからです。もしアーキテクチャが「ローカル音声文字起こし＋クラウド翻訳API」であるなら、音声自体は建物から出ないかもしれません。しかし、会議のテキスト全文は、クラウド翻訳APIを通じて建物の外へ出ていきます——これは越境ビジネス、政府、金融におけるデータ所在に関する要件と直接矛盾します（Air-Gapped Meeting Minutes で詳しく解説しています）。
このデモでは、この「ホップ」はローカルな処理を行うものです。つまり、テキストの翻訳や音声合成の処理は、すべてデバイス上で行われます。
01:15 · パフォーマンステスト：精度と遅延の評価
最後のセグメントでは、認識の安定性やエンドツーエンドの遅延についてテストが行われています。詳細は、オリジナルのビデオをご覧ください。参考までに、2人の公式人物の発言もあります。
| メトリック | 公式な数字 | 受け入れに関する注意事項 |
|---|---|---|
| 音声文字起こしの遅延時間 | 1秒未満で | 長い文、連続した話し方、そして言語の切り替えの能力こそが、本当の試練です。 |
| 認識精度 | ≥98％（標準的な中国語の基準レベル） | あなたの業界で実際に使われている英語を、音声付きで確認しましょう。 |
なぜ、デモでは英語とロシア語を組み合わせているのでしょうか？
「英語話者がロシア語を話す」という組み合わせは、単なる偶然のものではありません。これは、3つの実際に存在する国境を越えるシナリオに対応しています。
- ロシア語を話すパートナーとの取引やビジネス上の交渉：機械、エネルギー、農業分野での取引においては、一方の当事者は英語を話すのに対し、もう一方の当事者はロシア語が必要です。また、通訳の人件費も高く、作業効率も悪いです。
- 国際会議や展示会：ロシア語を話す人々が多く参加する業界のイベントでは、ライブ配信時には字幕が必要です。また、その後、アーカイブ用にも議事録が必要です。
- 境界線や顧客サービスのシナリオ：双方向の音声コミュニケーションであり、1秒でも遅延があれば、会話の質が低下してしまいます。
3つとも同じ制約を受けています。つまり、完全にオフライン状態で動作するパイプラインだけが、その両方の条件を満たすことができます。だからこそ、デモンストレーションはVV01上で実行されるのです。
VV01が製品マトリックス内でどの位置に存在するか
VoiVisionの会議用ハードウェアは、部屋のスケールに応じて4つのレベルに分かれています。VV01は、最も小規模なシナリオ向けのレベルです。
| モデル | 外形・デザイン | 計算する | ポジショニング |
|---|---|---|---|
| V06 | キャプチャカード | — | 個別の記録 |
| VV01 | デスクトップホスト | 46 TOPS | 小さな部屋／個人のデスク |
| VV05 | 1Uラック | 166 TOPS | 部門レベルで、複数の部屋を対象とする |
| VV10 | 1Uラック | 326 TOPS | エンタープライズ / MLPSレベル3 / 機密情報 |
選択ルールは1行だけです。単一の小さな部屋が、**小さな部屋用のラック装置を使うのは無駄です。デスクトップ機器をそのサイズを超えて配置すると、部品が破損してしまいます。**にとって最適な場所です。複数の部屋での並行処理や、MLPSレベル3の場合は、直接VV05/VV10に送られます。
4つの展開シナリオ
このデモと製品のポジショニングを組み合わせると、VV01は4つのシナリオに対応できます。
| シナリオ | 典型的な使い方 |
|---|---|
| スマートボイス端末 | ローカルにASRを埋め込む＋自分の端末デバイスに翻訳結果を表示する |
| 国際会議システム | 会議システムと連携して、ライブで二言語による字幕を表示したり、会議終了後に議事録を利用したりすることができます。 |
| 国境を越えた顧客サービス | リアルタイムでの双方向通信が可能です。英語/ロシア語など、複数の言語で通話ができます。通話内容は、オンプレミスで保存されます。 |
| インタラクティブな表示装置 | ブースや展示会で行われる、二言語対応のインタラクティブなデモンストレーションです。ネットワークは必要ありません。 |
購入する前に：3つの承認処理が必要です。
ビデオというのは、やはりデモ環境に過ぎません。VV01があなたのシナリオに適しているかどうかを判断するには、以下の3つの手順を行ってください（これらは、どんな製品にも適用可能です）。
- 実際のアクセント付き音声を使って、認識の精度をテストしてみましょう。：予め定められた読み方を無視して、実際にその業界で使われている音声を使ってみましょう。アクセントや専門用語、背景のノイズなども含めて、正式な名前がどのように表現されているか、またテキストがどのように安定しているかを確認しましょう。
- エンドツーエンドの遅延を測定する時間：文の末尾から、画面上に表示されるテキストへ、そして翻訳、最終的に音声出力まで——各ステップにかかる時間です。公式の目標は1秒未満ですが、実際には自分自身でシナリオを確認しているわけです。
- ネットワークを外した状態で再実行する。：ネットワークを使わずに、同じ内容を再送信する。もし音声文字起こしの翻訳や音声出力が失敗したり、性能が低下したりすると、パイプラインはクラウドに依存することになります。その場合、「オフライン」状態の主張は無効になってしまいます。
裁判や引用：contact pageを通じて要件を提出するか、またはsales@voivision.comまでメールで連絡してください。WhatsApp/WeChatでの連絡も可能です。電話番号は+8618994301192です。また、使用する言語のペアや、エアギャップデプロイメントが必要かどうかも明記してください。そうすれば、適切なモデルを選べます。
さらに読むには：Multilingual Meetings: Offline Translation and Live Subtitles｜Meeting Minutes Quality: Five Engineering Stages and an Acceptance Checklist｜On-Premise ASR Selection
FAQ
Q: VV01の形状はどのようなものですか？
A: VV01は、サイズが243×180×82mmのデスクトップ用オフライン会議ホストです。また、46個のTOPSエッジNPUを搭載しており、RAMは8GB、拡張可能なストレージ容量は128GBです。外部の全方位マイクを接続することもできます（USBまたは3.5mmポートを使用）。小さな部屋やデスクでも使用でき、ラックは不要です。
Q: デモで使用されている英語の認識処理やロシア語への翻訳は、ローカルで行われているのでしょうか？
A: はい。音声文字起こしと翻訳モデルは、そのデバイス自体で動作します。音声やテキストデータは、決してマシンから離れることはありません。また、この方式は、物理的に隔離された環境での使用が可能です。これは、「クラウド上のASR/APIを利用する」という方式とは根本的に異なります。もし翻訳がクラウド上のAPIを通じて行われる場合、「データが施設の外に出ない」という約束は破られてしまいます。
Q: 音声文字起こしの潜伏時間とは何でしょうか？
A: 公式的な数値では、1秒未満です。つまり、音声が終わった後、テキストが画面上に表示されるまでの時間は約1秒です。実際の遅延時間は、音声の状態やモデルのサイズ、並行処理の有無によって異なります。自分自身の環境での測定結果を参考にしてください。
Q: その98％の正確率は、デモで使用されている英語に対しても適用されるのでしょうか？
A: 直接的にはそうではありません。公式の≥98％の精度は、標準的な中国語を対象として測定されています。デモでは、実際に英語をリアルタイムで認識する様子が示されていますが、その性能は、使用される言語や発音、周囲のノイズによって変わります。したがって、結論を出す前に、自分の業界で使われる音声データを実際にテストしてみるべきです。
Q: V06、VV01、VV05、VV10のうち、どれを選べばいいでしょうか？
A: フォームファクターを、使用する環境に合わせて選びましょう。個人用にはV06カードを、小さな部屋やデスクトップ環境にはVV01デスクトップホストを使用します。部門レベルの複数の部屋で使用する場合はVV05（1U、166個のTOPS）を、企業や機密性の高い環境ではVV10（1U、326個のTOPS）を使用します。小さな部屋での使用には、ラック構造のハードウェアは不要です。デスクトップユニットをその規模を超えて使用すると、ハードウェアが破損してしまいます。
Q: デモでの英語からロシア語への翻訳は、音声出力がサポートされていますか？
A: はい。00:45の部分では、ロシア語のテキストと合成音声が表示されています。これらはすべて、デバイス上でローカルに生成されているものです。
Q: 試用期間を延長したり、見積もりを依頼するには、どうすればいいですか？
A: ご希望の内容を、このサイトのお問い合わせページからお知らせください。または、sales@voivision.comまでメールでお送りいただくこともできます。WhatsAppやWeChatでの連絡も可能です。電話番号は+8618994301192です。その際、ルームスケールの設定内容、使用言語のペア、そしてエアギャップでのデプロイが必要かどうかを明記してください。そうすることで、適切なモデルを選べます。