Alibaba оновила модель розпізнавання мови Fun-ASR-Realtime, затримка першого слова становить 100 мілісекунд, точність розпізнавання веньчжоу перевищує 82%

Лабораторія Alibaba Tongyi знизила затримку першого слова у потоковій моделі розпізнавання мови Fun-ASR-Realtime до рівня 100 мілісекунд, що дозволяє отримувати текст одразу після закінчення промови, з точністю, близькою до офлайн-моделі. Під час нещодавно завершеного 100-годинного прямого ефіру на безлюдному острові модель забезпечила підтримку в реальному часі, надавши субтитри, в результаті чого було розпізнано понад 60 тисяч фраз, загалом 1,32 мільйона слів. Нова модель посилила здатність до контекстного сприйняття, поєднуючи історичні діалоги з динамічною корекцією актуальних слів, підтримуючи 30 мов та 16 діалектів, серед яких середня точність символів у тестах діалектів становила 88,62%, для шанхайського діалекту - 92,41%, а для веньчжоу - 82,74%. Офлайн-версія моделі Fun-ASR-Flash зайняла перше місце у рейтингу помилок слів на глобальній платформі оцінки AI Artificial Analysis. Наразі ці дві нові моделі доступні як комерційні API-сервіси на Alibaba Cloud, а базова відкритий фреймворк FunASR та екосистемні моделі можна знайти в спільноті MoDa та на GitHub.

Цей контент надано лише для загальних інформаційних цілей і не є фінансовою, інвестиційною, юридичною чи податковою консультацією. Події, нагороди, онлайн-акцій або пов’язану інформацію, згадана тут, не слід розглядати як рекомендацію, прохання чи запрошення до купівлі, продажу, торгівлі чи інших операцій з криптоактивами. Криптоактиви є дуже волатильними та можуть призвести до збитків. Доступність послуг, продуктів WEEX та пов’язаних із ними подій може відрізнятися залежно від регіону. Ви несете відповідальність за забезпечення відповідності вашої участі чинному місцевому законодавству та нормативним актам.