Alibaba обновила модель распознавания речи Fun-ASR-Realtime, задержка первого слова составляет сотни миллисекунд, уровень распознавания вэньчжоуского диалекта превышает 82%

Лаборатория Alibaba Tongyi обновила модель потокового распознавания речи Fun-ASR-Realtime, снизив задержку первого слова до уровня сотен миллисекунд, что позволяет получать текст сразу после произнесения речи с точностью, близкой к оффлайн-моделям. В недавнем 100-часовом прямом эфире на необитаемом острове модель обеспечила поддержку субтитров в реальном времени в сложных условиях, распознав более 60 000 фраз и в общей сложности 1,32 миллиона слов. Новая модель усилила способность к контекстному восприятию, сочетая исторические диалоги с динамической коррекцией актуальных слов, поддерживает 30 языков и 16 диалектов, при этом средняя точность распознавания символов в тестах диалектов составила 88,62%, для шанхайского диалекта — 92,41%, а для вэньчжоуского диалекта — 82,74%. Оффлайн-модель Fun-ASR-Flash заняла первое место в рейтинге ошибок распознавания слов на глобальной платформе оценки ИИ Artificial Analysis. В настоящее время эти две новые модели доступны в качестве коммерческого API-сервиса на Alibaba Cloud, а базовая открытая платформа FunASR и экосистема моделей доступны в сообществе MoDa и на GitHub.

Этот контент предоставляется исключительно в общих информационных целях и не является финансовым, инвестиционным, юридическим или налоговым советом. Любые мероприятия, вознаграждения, онлайн-акции или связанная с ними информация, упомянутые в настоящем документе, не должны рассматриваться как рекомендация, приглашение к покупке, продаже, торговле или иной сделке с какими-либо криптоактивами. Криптоактивы очень волатильны и могут привести к убыткам. Доступность услуг, продуктов WEEX и связанных с ними событий может варьироваться в зависимости от региона. Вы несете ответственность за обеспечение того, чтобы ваше участие соответствовало применимым местным законам и нормативным актам.