¿Whisper y Gemini 3 Pro son superados en casi un 30% en entornos acústicos complejos? Esta versión de Qwen3-ASR 1.7B base, Mega-ASR, tiene algo, los problemas de alucinaciones y omisiones finalmente se abordan de manera seria.

ME News Noticias, 22 de mayo (UTC+8), según Beating de Monitoreo de Dongcha, equipos de la Universidad Nacional de Singapur, la Universidad Tecnológica de Nanyang y el Laboratorio de Inteligencia Artificial de Shanghái han colaborado para lanzar el primer modelo base de reconocimiento de voz robusto en todos los escenarios, Mega-ASR, con código abierto, con el objetivo de resolver problemas como alucinaciones, omisión de palabras y salidas en blanco en el reconocimiento de voz en entornos reales. El modelo se basa en Qwen3-ASR 1.7B como motor subyacente, logrando una mejora de rendimiento cercana al 30% en entornos acústicos extremadamente complejos en comparación con modelos como Whisper, Gemini 3 Pro y Seed-ASR. Actualmente, el proyecto ya está abierto en GitHub y se publica todo el código y los pesos del modelo bajo la licencia Apache-2.0. El equipo de investigación construyó un conjunto de datos que contiene 2.4 millones de muestras, con una duración total de 11,000 horas.