← すべての記事

Web AI ツールキット: ブラウザー内に 6 つのニューラル ネットワーク — 無料

ライト 3D 構成: 白い背景に 6 つの輝くニューラル ネットワーク タイルが表示されたブラウザ ウィンドウ

通常、「ニューラル ネットワークを実行する」ということは、キーにサインアップし、カードを渡し、ファイルが他の人のサーバーに送信されるまで待つことを意味します。の AI ツールキットのページ はその逆です。6 つの準備済み AI 関数はブラウザ内で直接計算され、ドキュメント、写真、録音は 1 バイトもデバイスから流出せず、何も請求されません。これは、MIT ライセンスに基づくオープンな web-ai-toolkit ライブラリです。私たちはこれをライブ サンプルのページとしてホストし、独自の画像やテキストですべての機能をテストし、既製のコードをプロジェクトに取り込むことができます。

Web AI ツールキット: 6 つのモード (OCR、音声テキスト変換、要約、TTS、分類、検索) と既製のサンプル

仕組み

このエンジンは、WebGPU および WebNN によるハードウェア アクセラレーション、WebAssembly SIMD による並列コンピューティング、およびネイティブ ブラウザ AI API といった最新の Web コンピューティング スタック上に構築されています。デバイスで WebGPU が利用できない場合、ライブラリは通常の CPU 上で最適化された WASM に自動的にフォールバックします。そのため、どのコンピュータでも実行できますが、ゲーム ハードウェアではより高速です。モデルの重みはブラウザに一度ダウンロードされ、キャッシュされます。最初のロード後、関数はオフラインでも動作し続けます。

1 つのウィンドウに 6 つの機能

  • OCR: 画像またはスクリーンショットからの印刷テキストおよび手書きテキストの認識 (契約書の写真、プレゼンテーションのスライド、ホワイトボードのメモなど)。
  • 音声をテキストに変換: ファイルをどこにもアップロードせずに、タイムスタンプ付きの音声録音を文字起こしします。
  • 要約: 長い記事、報告書、契約書の要約版。
  • テキスト読み上げ: ブラウザ自体を使用してテキストから音声合成します。
  • 画像分類: 信頼スコアを使用して画像内のオブジェクトとカテゴリを検出します。
  • ラグと検索: 文書を貼り付けて質問すると、ツールが関連する文章を見つけて表示します。

すべての機能はページ上で直接テストされます。ファイルをドラッグするか、準備ができたサンプルを選択して「AI 処理の実行」をクリックします。結果はコピーまたはテキストとしてダウンロードできます。

独自のプロジェクトのコードを作成する

ライブラリは 1 つのコマンドでインストールされます。 npm install web-ai-toolkit — 関数ごとにインポートされます。 ocr, summarize, transcribeAudioFile, textToSpeech, classifyImage, doRAGSearch。このページには、すぐに使用できるスニペットを含む「コード例」タブがあるため、統合を最初から作成する必要はありません。

獲物はどこにあるのか

まずはブラウザとメモリ。 WebGPU は Chrome と Edge (およびその他のリストも増え続けています) で完全に動作し、最初のモデルのダウンロードには時間とキャッシュ スペースがかかります。 2 つ目: これらは、巨大なクラウド テキスト ジェネレーターではなく、コンパクトなローカル モデルです。品質は必要な部分に適しており、本格的な言語分析が必要な場合は、サイトがバランスのとれた本格的なモデルを提供します。 3 番目: テキスト読み上げはブラウザーの組み込み合成に依存するため、音声はネットワーク モデルではなくシステムに依存します。

それが実生活においてなぜ重要なのか

弁護士に送信する前にスキャンからテキストを抽出する、録音をどこにも送信せずに 1 時間にわたる通話を箇条書きに分割する、ナレーションの下書きを作成する、100 枚の画像を分類する、または自分の文書の山から適切な条項を見つけるなど、これらは以前はクラウド サービスと有料トークンが必要だった典型的なタスクです。ここでは、同じシナリオが登録なし、カードなし、データを誰にも送信せずに終了します。

試してみてください: Web AIツールキット（無料） このサイトには、Web ページ サマライザから Web カメラ モーション キャプチャまで、他の無料ツールのリストがその隣にあります。