Alibaba Qwen обновила модель распознавания речи Fun-ASR-Realtime. Теперь одна модель поддерживает 30 языков и 16 диалектов, а API уже доступен на платформе Alibaba Cloud Bailian.
Как пишет IT Home, в тестах распознавания 16 диалектов из восьми диалектных групп средняя точность распознавания символов у Fun-ASR-Realtime достигла 88,62%. В компании утверждают, что модель показала лучший результат в 12 категориях диалектов и обошла аналогичные продукты Volcano Engine и Tencent.
Alibaba также заявила, что задержка первого ответа составляет сотни миллисекунд, при этом точность потокового распознавания близка к офлайн-режиму. Модель умеет бесшовно переключаться между несколькими языками.
Отдельно компания отметила оптимизацию для многоязычных сценариев в Восточной и Юго-Восточной Азии, включая тайский язык. По данным Alibaba, точность распознавания в таких задачах выросла на 20%. Модель рассматривают как решение для международной клиентской поддержки и международных конференций.
Недавно стала доступна и офлайн-версия Fun-ASR-Flash. На платформе Artificial Analysis она указана под прежним названием Fun-realtime-ASR-preview и, как утверждается, занимает первое место в мире с уровнем ошибок 1,7%.
Ключевые факты
API Fun-ASR-Realtime уже доступен на платформе Alibaba Cloud Bailian
Средняя точность распознавания символов в тестах 16 диалектов составила 88,62%
Для сценариев с языками Восточной и Юго-Восточной Азии компания заявила рост точности распознавания на 20%
Офлайн-модель Fun-ASR-Flash получила уровень ошибок 1,7% в рейтинге Artificial Analysis