動察Beatingのモニタリングによると、阿里巴巴通義実験室は、ストリーム音声認識大規模モデルFun-ASR-Realtimeの最初の文字遅延を100ミリ秒レベルに低減し、発言が終わると同時に文字が表示され、精度はオフラインモデルに迫る。映像ハリケーンが最近終了した100時間の無人島ライブ配信では、屋外の豪雨や複数人が頻繁に切り替えて発言する過酷な環境において、モデルが全行程でリアルタイム字幕を提供し、累計で6万件以上、合計132万文字を認識した。
リアルタイム音声認識が文脈を誤解しやすい課題を解決するため、新モデルはコンテキスト認識能力を強化し、過去の対話やリアルタイムのホットワードに基づいて動的に修正を行う（例えば、後続の文脈に応じて「葉鹿」を自動的に「夜鷺」に修正する）。現在、モデルは30言語と16方言をサポートし、方言テストでの平均文字正解率は88.62%、上海語は92.41%、最も難しいとされる温州語でも82.74%に達した。オフラインモデルのFun-ASR-Flashは、世界のAI評価プラットフォームArtificial Analysisの文字誤り率ランキングで第1位を獲得した。
現在、これら2つの新モデルは商用APIサービスとして阿里雲百錬でのみ提供されており、基盤となるFunASRオープンソースフレームワークとエコシステムモデルは魔搭コミュニティとGitHubで入手可能である。
123.68K 人気度
255.04K 人気度
69.18K 人気度
81.55K 人気度
4.87M 人気度
阿里、リアルタイム音声大モデルFun-ASR-Realtimeをアップグレード：初文字遅延100ミリ秒、温州語認識精度82%超
動察Beatingのモニタリングによると、阿里巴巴通義実験室は、ストリーム音声認識大規模モデルFun-ASR-Realtimeの最初の文字遅延を100ミリ秒レベルに低減し、発言が終わると同時に文字が表示され、精度はオフラインモデルに迫る。映像ハリケーンが最近終了した100時間の無人島ライブ配信では、屋外の豪雨や複数人が頻繁に切り替えて発言する過酷な環境において、モデルが全行程でリアルタイム字幕を提供し、累計で6万件以上、合計132万文字を認識した。
リアルタイム音声認識が文脈を誤解しやすい課題を解決するため、新モデルはコンテキスト認識能力を強化し、過去の対話やリアルタイムのホットワードに基づいて動的に修正を行う（例えば、後続の文脈に応じて「葉鹿」を自動的に「夜鷺」に修正する）。現在、モデルは30言語と16方言をサポートし、方言テストでの平均文字正解率は88.62%、上海語は92.41%、最も難しいとされる温州語でも82.74%に達した。オフラインモデルのFun-ASR-Flashは、世界のAI評価プラットフォームArtificial Analysisの文字誤り率ランキングで第1位を獲得した。
現在、これら2つの新モデルは商用APIサービスとして阿里雲百錬でのみ提供されており、基盤となるFunASRオープンソースフレームワークとエコシステムモデルは魔搭コミュニティとGitHubで入手可能である。