أصدرت Alibaba Tongyi نموذج Fun-ASR للكلام بترقية كبيرة: تأخير الحرف الأول يبلغ فقط بضع مئات من الميلي ثانية، وتجاوزت دقة التعرف على لهجة ونزو 82%.

أعلنت مختبرات علي بابا (Alibaba Tongyi Lab) عن خفض زمن الاستجابة للحرف الأول لنموذج التعرف على الكلام المتدفق Fun-ASR-Realtime إلى مستوى الميلي ثانية، بحيث تظهر الكلمات فور انتهاء المتحدث، مع اقتراب دقته من النماذج غير المتصلة. يدعم النموذج الجديد 30 لغة و16 لهجة، حيث تصل دقة التعرف على لهجة ونتشو إلى 82.74%.

(خلفية سابقة: xAI تطلق رسمياً واجهة Grok الصوتية، TTS بسعر 4.2 دولار لكل مليون حرف، ودقة التعرف تتفوق على ElevenLabs)
(معلومات إضافية: تحليل OpenRouter لتقرير 100 تريليون رمز: ما الذي يفعله البشر بالذكاء الاصطناعي، صعود النماذج الصينية، وسر الاحتفاظ بالمستخدمين)

فهرس المقال

Toggle

• اختبار عملي: بث مباشر من جزيرة صحراوية لمدة 100 ساعة
• أداء التعرف على اللهجات
• النموذج غير المتصل يتصدر أيضاً

أعلنت مختبرات علي بابا في 6 يوليو عن خفض زمن الاستجابة للحرف الأول لنموذج التعرف على الكلام المتدفق Fun-ASR-Realtime إلى مستوى الميلي ثانية، محققة تأثير "ظهور الكلمات فور انتهاء الكلام"، مع اقتراب دقته من مستوى النماذج غير المتصلة.

يكمن جوهر هذا الترقية في تعزيز قدرة فهم السياق. النموذج الجديد قادر على التصحيح الديناميكي من خلال الجمع بين الحوار السابق والكلمات الساخنة في الوقت الفعلي، على سبيل المثال، تصحيح "叶鹿" تلقائياً إلى "夜鷺" بناءً على السياق اللاحق، مما يحل بشكل فعال مشكلة سوء الفهم الجزئي في التعرف على الكلام في الوقت الفعلي.

اختبار عملي: بث مباشر من جزيرة صحراوية لمدة 100 ساعة

في البث المباشر من جزيرة صحراوية لمدة 100 ساعة الذي اختتم مؤخراً (بث فيلم إعصار)، قدم Fun-ASR-Realtime دعم الترجمة الفورية في ظل ظروف الأمطار الغزيرة وتعدد المتحدثين المتكرر، حيث تعرف على أكثر من 60 ألف مقطع بإجمالي 1.32 مليون كلمة.

تشير هذه البيانات إلى أن النموذج يحافظ على جودة تعرف مستقرة في السيناريوهات الحقيقية ذات القناة الواحدة، الضوضاء العالية، وتداخل المتحدثين – وهو المؤشر الأكثر أهمية لتطبيقات الترجمة الفورية.

أداء التعرف على اللهجات

النموذج يدعم حالياً 30 لغة و16 لهجة، بمتوسط دقة أحرف يصل إلى 88.62% في اختبارات اللهجات. أداء اللهجات الرئيسية كالتالي:

• لهجة شنغهاي: 92.41%
• لهجة ونتشو: 82.74% (تعتبر من أصعب اللهجات)
• المتوسط (16 لهجة): 88.62%

لهجة ونتشو كلغة صعبة في مجموعة لهجات وو، تصل دقتها إلى 82.74%، مما يظهر تحسناً كبيراً في قدرة النموذج على التعميم في اللهجات منخفضة الموارد.

النموذج غير المتصل يتصدر أيضاً

النموذج غير المتصل Fun-ASR-Flash احتل المركز الأول في قائمة معدل أخطاء الكلمات (WER) على منصة التقييم العالمية للذكاء الاصطناعي Artificial Analysis، مما يؤكد الريادة التقنية لسلسلة Fun-ASR في مجال التعرف على الكلام.

خدمات API لكلا النموذجين متاحة على Alibaba Cloud Bailian، ويمكن الحصول على حزمة الأدوات مفتوحة المصدر والنماذج على مجتمع Moda وGitHub.