Whisper e Gemini 3 Pro ficam quase 30% atrás em ambientes acústicos complexos? Este Qwen3-ASR 1.7B base Mega-ASR tem algo de especial, problemas de alucinação e omissão de palavras finalmente estão a ser tratados de forma séria.

ME News Notícias, 22 de maio (UTC+8), de acordo com o monitoramento do Beating, equipes da Universidade Nacional de Cingapura, Universidade de Tecnologia de Nanyang e Laboratório de Inteligência Artificial de Xangai uniram-se para abrir o primeiro modelo de reconhecimento de fala robusto para todos os cenários, Mega-ASR, com o objetivo de resolver problemas como alucinações, omissão de palavras e saídas em branco enfrentados em ambientes reais.
O modelo é alimentado pelo Qwen3-ASR 1.7B na sua base, e em ambientes acústicos extremamente complexos, alcança até 30% de melhoria de desempenho em relação a modelos como Whisper, Gemini 3 Pro e Seed-ASR.
Atualmente, o projeto já está open source no GitHub, com todo o código e pesos do modelo publicados sob a licença Apache-2.0.
A equipe de pesquisa construiu um conjunto contendo 2,4 milhões de amostras, com uma duração total de 11.000 horas.