علي ترقية نموذج الكلام الكبير في الوقت الفعلي Fun-ASR-Realtime: تأخير الحرف الأول بمئة ملي ثانية، دقة التعرف على لهجة ونژو تتجاوز 82%

وفقًا لرصد "Beating" لـ "Dongcha"، قام مختبر Tongyi التابع لشركة علي بابا بتقليل زمن الاستجابة الأول للنموذج الكبير للتعرف على الكلام في الوقت الفعلي Fun-ASR-Realtime إلى مستوى الميلي ثانية، مما يحقق إخراج النص فور انتهاء الحديث، مع اقتراب دقته من النموذج غير المتصل. في بث الجزر الصحراوية لمدة 100 ساعة الذي اختتمته "Yingju Jufeng" مؤخرًا، قدم النموذج دعمًا للترجمة النصية في الوقت الفعلي طوال الوقت في ظل ظروف قاسية مثل الأمطار الغزيرة في الهواء الطلق وتبادل المتحدثين المتكرر، حيث تعرف على أكثر من 60 ألف مقطع، بإجمالي 1.32 مليون حرف.

لحل مشكلة الاقتطاع الخاطئ للسياق في التعرف على الكلام في الوقت الفعلي، عزز النموذج الجديد قدرته على فهم السياق، حيث يمكنه الجمع بين الحوار السابق والكلمات الساخنة الديناميكية لتصحيح الأخطاء (على سبيل المثال، تصحيح "Ye Lu" تلقائيًا إلى "Yelu" بناءً على السياق اللاحق). يدعم النموذج حاليًا 30 لغة و16 لهجة، ويحقق متوسط دقة الأحرف بنسبة 88.62% في اختبارات اللهجات، مع نسبة 92.41% للغة الشنغهاي، و82.74% للغة ونزو التي تُعتبر الأكثر صعوبة. احتل النموذج غير المتصل Fun-ASR-Flash المركز الأول في قائمة معدل خطأ الأحرف على منصة الاختبار العالمية للذكاء الاصطناعي Artificial Analysis.

حاليًا، يتوفر هذان النموذجان الجديدان فقط كخدمة API تجارية على منصة Alibaba Cloud Bailian، بينما يمكن الحصول على إطار عمل FunASR مفتوح المصدر والنماذج البيئية على مجتمع ModelScope وGitHub.