Alibaba ulepsza model rozpoznawania mowy Fun-ASR-Realtime, opóźnienie pierwszego słowa wynosi 100 milisekund, wskaźnik rozpoznawania dialektu w Wenzhou przekracza 82%

Laboratoria Alibaba Tongyi obniżyły opóźnienie pierwszego słowa w modelu rozpoznawania mowy w czasie rzeczywistym Fun-ASR-Realtime do poziomu 100 milisekund, co pozwala na natychmiastowe wyświetlanie tekstu po zakończeniu wypowiedzi, osiągając dokładność zbliżoną do modeli offline. W niedawno zakończonym 100-godzinnym streamingu na bezludnej wyspie model zapewnił wsparcie w postaci napisów w trudnych warunkach, rozpoznając ponad 60 tysięcy fraz, co daje łącznie 1,32 miliona słów. Nowy model wzmocnił zdolności rozumienia kontekstu, łącząc historię rozmów z dynamiczną korekcją błędów w czasie rzeczywistym, obsługując 30 języków i 16 dialektów. W testach dialektów średnia dokładność znaków wyniosła 88,62%, a w przypadku dialektu szanghajskiego osiągnęła 92,41%, podczas gdy w dialekcie wenzhou wyniosła 82,74%. Model offline Fun-ASR-Flash zdobył pierwsze miejsce w rankingu błędów słownych na globalnej platformie oceny AI Artificial Analysis. Oba nowe modele są obecnie dostępne jako usługi API komercyjnego na Alibaba Cloud Bailian, a podstawowy framework open-source FunASR oraz modele ekosystemowe można znaleźć w społeczności MoDa oraz na GitHubie.

Niniejsza treść ma charakter wyłącznie informacyjny i nie stanowi porady finansowej, inwestycyjnej, prawnej ani podatkowej. Wszelkie wydarzenia, nagrody, promocje online lub powiązane informacje, o których tu mowa, nie powinny być traktowane jako rekomendacja, zachęta ani zaproszenie do kupna, sprzedaży, wymiany lub innego rodzaju obrotu aktywami kryptograficznymi. Aktywa kryptograficzne charakteryzują się dużą zmiennością i mogą prowadzić do strat. Dostępność usług, produktów i powiązanych wydarzeń WEEX może się różnić w zależności od regionu. Użytkownik jest odpowiedzialny za upewnienie się, że jego udział jest zgodny z obowiązującymi lokalnymi przepisami i regulacjami.