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%

robot
Генерація анотацій у процесі
7 липня, повідомляється, що лабораторія Alibaba Tongyi знизила затримку першого символу потокової моделі розпізнавання мови Fun-ASR-Realtime до рівня мілісекунд, досягаючи миттєвого виведення тексту після закінчення мовлення, при цьому точність наближається до офлайн-моделі.
Під час нещодавнього 100-годинного прямого ефіру на безлюдному острові від Ying Shi Jufeng, модель забезпечувала субтитри в реальному часі в складних умовах, таких як злива на вулиці та часта зміна мовців, ідентифікувавши понад 60 000 записів загальним обсягом 1,32 мільйона символів.
Для вирішення проблеми фрагментарного розуміння контексту в реальному розпізнаванні мови, нова модель посилила здатність до контекстного сприйняття, поєднуючи історичні діалоги з динамічною корекцією гарячих слів (наприклад, автоматично виправляючи «Єлу» на «Нічна чапля» на основі подальшого тексту). Модель наразі підтримує 30 мов та 16 діалектів, із середньою точністю символів на рівні 88,62% у тестах діалектів, зокрема шанхайський діалект — 92,41%, а найскладніший веньчжоуський діалект досяг 82,74%.
Офлайн-версія моделі Fun-ASR-Flash посіла перше місце в рейтингу частоти помилок символів на глобальній платформі оцінки ШІ Artificial Analysis. API-сервіси обох моделей уже доступні на Alibaba Cloud Bailian, а базові інструменти з відкритим кодом і моделі можна отримати на спільноті ModelScope 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