Audio AIは「聴く」時代へ。ローカルで動くLALMsをまとめて比較できるOSS「LALMsArena」を作った

はじめに こんにちは。普段は音データを pandas ライクに扱える OSS ライブラリ「wandas」を開発しています。wandas を作る中で Audio AI の世界が急速に変わってきていることに気づき、実際に触ってみました。 ここ最近、Audio AI の世界が急速に変わってきていると感じています。従来の音声認識（ASR）は「音声をテキストに変換して、それをテキスト LLM に渡す」という 2 段構えが当たり前でした。ところが最近では、音響信号をそのまま受け取って推論まで完結させる Large Audio Language Models（LALMs、大規模音声言語モデル） が...