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

Ngày 6 tháng 7, Phòng thí nghiệm Thông minh Alibaba đã giảm độ trễ chữ đầu tiên của mô hình nhận dạng giọng nói luồng lớn Fun-ASR-Realtime xuống mức mili giây, đạt được khả năng xuất chữ ngay khi giọng nói kết thúc, với độ chính xác gần bằng mô hình ngoại tuyến.

Trong chương trình phát trực tiếp 100 giờ trên đảo hoang của Ảnh thị Kình phong gần đây, mô hình đã cung cấp hỗ trợ phụ đề thời gian thực trong suốt thời gian dài dưới điều kiện khắc nghiệt như mưa bão ngoài trời, nhiều người liên tục chuyển đổi phát biểu, nhận dạng tổng cộng hơn 60.000 mục, tổng cộng 1,32 triệu chữ.

Để giải quyết vấn đề dễ dàng xuyên tạc ý nghĩa của nhận dạng giọng nói thời gian thực, mô hình mới đã tăng cường khả năng nhận thức ngữ cảnh, có thể kết hợp hội thoại lịch sử và từ nóng thời gian thực để tự động sửa lỗi (ví dụ tự động sửa "叶鹿" thành "夜鹭" dựa trên ngữ cảnh phía sau). Mô hình hiện hỗ trợ 30 ngôn ngữ và 16 phương ngữ, đạt độ chính xác ký tự trung bình 88,62% trong các bài kiểm tra phương ngữ, trong đó tiếng Thượng Hải đạt 92,41%, và tiếng Ôn Châu được cho là khó nhất cũng đạt 82,74%.

Mô hình ngoại tuyến Fun-ASR-Flash đã đứng đầu bảng xếp hạng tỷ lệ lỗi chữ trên nền tảng đánh giá AI toàn cầu Artificial Analysis. Các dịch vụ API của cả hai mô hình đã có mặt trên Alibaba Cloud Bailian, và bộ công cụ mã nguồn mở cơ bản cùng mô hình có thể được tải xuống từ ModelScope và GitHub.