リアルタイム翻訳
音声をリアルタイム翻訳する方法
マイクまたはシステム音声を、ローカルOllamaモデルで文字と翻訳に変換し、同じ画面に表示します。
リアルタイム翻訳の仕組み
まず音声認識が原文を生成し、選択したローカルLLMが翻訳します。通常モードは確定した音声区間を翻訳します。低遅延モードは変化する予測結果も翻訳するため、区間全体が終わるまで待つ必要はありません。
Ollamaと翻訳タスクを設定する
Hy-MT2-1.8B
Hunyuan Translation 2.0 系列の小型モデルで、33 言語間の翻訳と、中国の少数言語・方言 5 種類を重点的にサポートします。Owl Meeting のローカルリアルタイム翻訳に適しています。
- 提供元によると、公開ベンチマーク FLORES-200 と WMT25 で優れた結果を示し、複数の主要な商用翻訳 API を上回っています。
- 構造化翻訳、区切り文字付き翻訳、文脈翻訳、用語集翻訳、スタイル指定翻訳に対応します。
- パラメータ数は 1.8B のみ。最小の 1.25-bit 版は約 440 MB で、品質、速度、ローカル資源使用量のバランスに優れます。
- API モデル名
hunyuan-mt2-1.8b-chat- 最大入力
- 4K
- 最大出力
- 4K
- Ollamaをインストールして起動し、必要な言語に対応するモデルをダウンロードします。
- AIページで翻訳タスクを作成し、モデル、原言語、目的言語を設定します。
- 入力モードは「セグメントごと」を選びます。バッチと全文は保存済み文字起こし向けです。
認識モードを選ぶ
通常モード
安定した認識結果を表示し、現在の音声区間が確定した後に翻訳を開始します。
低遅延モード
予測テキストを早く表示し、その内容をリアルタイム翻訳します。会議、講義、配信、動画を見ながら読む場合に適しています。
ライブ翻訳を開始する
- 音源に応じて、マイク、システム音声、またはデュアル入力を選びます。
- 話される言語に対応する音声認識モデルを選びます。
- 翻訳タスクを選択し、青いボタンでローカルLLMを起動します。
- 録音を開始します。通常モードは確定区間を翻訳し、低遅延モードは発話中にも翻訳を更新します。
翻訳の遅延を減らす
- 区間の終了前に翻訳が必要な場合は低遅延モードを有効にします。
- 小さく高速なモデルを使い、翻訳文だけを出力するよう指示します。
- CPU、メモリ、GPUのほかの負荷を減らし、認識された原文の精度を確認します。
遅延を比べる前にテスト条件を記録する
翻訳の遅延は Owl Meeting だけで決まりません。認識モード、音声・翻訳モデル、量子化、指示の長さ、CPU または GPU、メモリ、他の負荷が表示時間に影響します。
- 実際に使う原文言語と訳文言語を含む短い音声で試す。
- バージョン、モデル、量子化、機器、音声入力を記録する。
- 最初の有用な訳が出る時間と修正回数を比較する。
言語ペアと重要語句を確認する
多言語モデルでも、すべての翻訳方向で品質が同じとは限りません。人名、製品用語、数値、文の区切りを確認してください。用語集は一貫性に役立ちますが、誤認識された原文は直せません。
- モデルカードで対応言語を確認する。
- 翻訳を疑う前に認識された原文を確認する。
- 低遅延の途中結果が読めるよう、簡潔な出力を指示する。
プライバシーとライブ結果の限界
ローカル認識モデルとローカル Ollama アドレスなら、認識と翻訳を PC 内で処理できます。外部サービスにはそのデータ規則が適用されます。
低遅延モードは変化する予測を翻訳します。後続音声で最初の語が修正されることがあり、雑音や同時発話は原文と訳文の両方に影響します。共有前に重要部分を確認してください。
よくある質問
翻訳が表示されないのはなぜですか？
タスクが有効か、オンラインページで選択され青いボタンで起動済みか、Ollamaが動作中かを確認してください。
翻訳は必ず区間の終了を待ちますか？
いいえ。通常モードは確定区間を待ちますが、低遅延モードは発話中の予測結果を翻訳します。
どの言語に対応していますか？
複数の原言語から選択した目的言語へ翻訳できます。具体的な対応範囲はタスクで使用するLLMによって決まります。
短い音声で全体を確認する
長い会議の前に、音源、認識言語、翻訳方向、LLM、遅延を確認してください。