علي تطلق نموذج التعرف على الكلام في الوقت الفعلي Fun-ASR-Realtime: تأخير الحرف الأول 100 مللي ثانية، دقة التعرف على لهجة ونزو تتجاوز 82%

7 يوليو، أخبار: قام مختبر علي يونغ تونغ (Alibaba Tongyi Lab) بتقليل زمن تأخير أول حرف لنموذج التعرف على الكلام المتدفق Fun-ASR-Realtime إلى مستوى الميلي ثانية، مما يحقق ظهور الكلمات فور انتهاء الكلام، مع دقة تقترب من النماذج غير المتصلة.

في بث مباشر استمر 100 ساعة على جزيرة مهجورة لـ "سينما إعصار" (Film Storm)، قدم النموذج دعمًا للترجمة النصية الفورية طوال الوقت في ظل ظروف قاسية من أمطار غزيرة وتناوب متكرر للمتحدثين، حيث تعرف على أكثر من 60 ألف جملة، بإجمالي 1.32 مليون كلمة.

لحل مشكلة الاقتطاع السريع للكلام في التعرف الصوتي الفوري، عزز النموذج الجديد قدرة فهم السياق، حيث يمكنه الجمع بين الحوار السابق والكلمات الساخنة في الوقت الفعلي لتصحيح الأخطاء ديناميكيًا (مثل تصحيح "يي لو" تلقائيًا إلى "يي لو" بناءً على النص اللاحق). يدعم النموذج حاليًا 30 لغة و16 لهجة، بمتوسط دقة حروف يصل إلى 88.62% في اختبارات اللهجات، منها 92.41% لشنغهاي، و82.74% للهجة ونتشو التي تُعتبر الأصعب.

أما النموذج غير المتصل Fun-ASR-Flash فقد احتل المركز الأول في قائمة معدل خطأ الحروف على منصة التقييم العالمية للذكاء الاصطناعي Artificial Analysis. واجهات برمجة التطبيقات (API) لكلا النموذجين متاحة بالفعل على منصة Alibaba Cloud Bailian، ويمكن الحصول على أدوات المصدر المفتوح والنماذج من مجتمع Moda وGitHub.