Alibaba nâng cấp mô hình giọng nói thời gian thực Fun-ASR-Realtime: Độ trễ chữ đầu tiên là 100 mili giây, độ chính xác nhận dạng tiếng Ôn Châu vượt quá 82%

Theo theo dõi của Động Sát Beating, phòng thí nghiệm Thông Nghĩa của Alibaba đã giảm độ trễ chữ đầu tiên của mô hình nhận dạng giọng nói luồng thời gian thực Fun-ASR-Realtime xuống mức mili giây, đạt được hiệu quả chữ xuất hiện ngay khi lời vừa dứt, và độ chính xác tiệm cận mô hình ngoại tuyến. Trong sự kiện phát trực tiếp 100 giờ trên hoang đảo vừa kết thúc của Phim Ảnh Kình Phong, mô hình đã cung cấp hỗ trợ phụ đề thời gian thực trong môi trường khắc nghiệt như mưa bão ngoài trời, nhiều người thường xuyên chuyển đổi phát biểu, nhận dạng tổng cộng hơn 60.000 dòng, với 1,32 triệu từ.

Để giải quyết vấn đề dễ bị hiểu sai ý trong nhận dạng giọng nói thời gian thực, mô hình mới đã tăng cường khả năng nhận thức ngữ cảnh, kết hợp lịch sử hội thoại và từ nóng thời gian thực để sửa lỗi động (ví dụ: tự động sửa "Dạ Lộc" thành "Dạ Lộc" dựa trên ngữ cảnh sau). Mô hình hiện hỗ trợ 30 ngôn ngữ và 16 phương ngữ, với độ chính xác ký tự trung bình trong các bài kiểm tra phương ngữ đạt 88,62%, trong đó tiếng Thượng Hải đạt 92,41%, và tiếng Ôn Châu được cho là khó hiểu nhất cũng đạt 82,74%. Mô hình ngoại tuyến Fun-ASR-Flash đã đứng đầu bảng xếp hạng tỷ lệ lỗi ký tự trên nền tảng đánh giá AI toàn cầu Artificial Analysis.

Hiện tại, hai mô hình mới này chỉ được cung cấp dưới dạng API thương mại trên Alibaba Cloud Bailian, trong khi khung mã nguồn mở FunASR và mô hình hệ sinh thái cơ bản có thể được lấy từ Cộng đồng Moda và GitHub.
Xem bản gốc
Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.
  • Phần thưởng
  • Bình luận
  • Đăng lại
  • Retweed
Bình luận
Thêm một bình luận
Thêm một bình luận
Không có bình luận
  • Đã ghim