Alibaba améliore le modèle vocal en temps réel Fun-ASR-Realtime : latence du premier mot de cent millisecondes, précision de reconnaissance du dialecte de Wenzhou supérieure à 82%.

7 juillet - Le laboratoire Alibaba Tongyi a réduit le délai de premier mot de son modèle de reconnaissance vocale en flux continu Fun-ASR-Realtime à une centaine de millisecondes, permettant l'affichage dès la fin de la phrase, avec une précision proche des modèles hors ligne.

Lors du récent live de 100 heures sur une île déserte de l'équipe Hurricane, le modèle a fourni un sous-titrage en temps réel dans des conditions difficiles (pluie torrentielle, interventions fréquentes de multiples intervenants), reconnaissant au total plus de 60 000 phrases, soit 1,32 million de caractères.

Pour résoudre le problème de sorties hors contexte en reconnaissance vocale en temps réel, le nouveau modèle renforce la capacité de compréhension contextuelle, avec une correction dynamique basée sur l'historique des dialogues et les mots clés en temps réel (par exemple, corrigeant automatiquement « Yelu » en « Yelu » en fonction du contexte ultérieur). Le modèle prend actuellement en charge 30 langues et 16 dialectes, avec une précision moyenne des caractères de 88,62 % dans les tests dialectaux, dont 92,41 % pour le shanghaïen et 82,74 % pour le wenzhounais, réputé comme le plus difficile.

Le modèle hors ligne Fun-ASR-Flash a quant à lui décroché la première place du classement des taux d'erreur de caractères sur la plateforme mondiale d'évaluation IA Artificial Analysis. Les API des deux modèles sont désormais disponibles sur Alibaba Cloud Bailian, et les kits d'outils open source ainsi que les modèles sont accessibles sur ModelScope et GitHub.