阿里升级实时语音大模型Fun-ASR-Realtime:首字延迟百毫秒,温州话识别准确率超82%

Згідно з моніторингом Beating, лабораторія Alibaba Tongyi знизила затримку першого символу потокової моделі розпізнавання мовлення Fun-ASR-Realtime до рівня сотень мілісекунд, досягнувши виведення тексту одразу після завершення мовлення, при цьому точність наближається до офлайн-моделей.

Для вирішення проблеми виривання з контексту при розпізнаванні мовлення в реальному часі, нова модель посилила здатність до контекстного сприйняття, дозволяючи динамічно виправляти помилки на основі історії діалогу та актуальних гарячих слів (наприклад, автоматичне виправлення «叶鹿» на «夜鹭» на основі подальшого контексту). Модель зараз підтримує 30 мов і 16 діалектів, середня точність символів у тестах діалектів досягає 88,62%, причому шанхайський діалект — 92,41%, а найскладніший веньчжоуський діалект — 82,74%. Офлайн-версія моделі Fun-ASR-Flash посіла перше місце в рейтингу частоти помилок символів на глобальній платформі оцінки ШІ Artificial Analysis.

Наразі ці дві нові моделі доступні лише як комерційні API-сервіси на Alibaba Cloud Bailian, тоді як базовий відкритий фреймворк FunASR та екосистемні моделі можна отримати на спільноті Moda та GitHub.

Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
  • Нагородити
  • Прокоментувати
  • Репост
  • Поділіться
Прокоментувати
Додати коментар
Додати коментар
Немає коментарів
  • Закріплено