Alibaba tingkatkan model bahasa real-time Fun-ASR-Realtime: latensi karakter pertama 100 milidetik, akurasi pengenalan dialek Wenzhou lebih dari 82%

Menurut pemantauan Beating dari Dongcha, laboratorium Tongyi Alibaba telah mengurangi latensi kata pertama dari model pengenalan suara streaming besar Fun-ASR-Realtime hingga level milidetik, sehingga kata-kata muncul segera setelah suara berhenti, dengan akurasi mendekati model offline. Dalam siaran langsung 100 jam di pulau terpencil yang baru saja berakhir oleh Film Hurricane, model ini menyediakan dukungan teks real-time sepanjang proses dalam kondisi cuaca buruk dengan hujan deras di luar ruangan dan seringnya pergantian pembicara, mengakumulasi lebih dari 60.000 transkrip dengan total 1,32 juta karakter.

Untuk mengatasi masalah pengenalan suara real-time yang mudah mengambil potongan di luar konteks, model baru ini memperkuat kemampuan kesadaran konteks, mampu menggabungkan dialog historis dan kata-kata panas real-time untuk koreksi dinamis (misalnya, secara otomatis memperbaiki 「Ye Lu」 menjadi 「Ye Lu」 berdasarkan konteks berikutnya). Model saat ini mendukung 30 bahasa dan 16 dialek, dengan rata-rata akurasi karakter mencapai 88,62% dalam pengujian dialek, di mana bahasa Shanghai mencapai 92,41%, dan bahasa Wenzhou yang disebut sebagai yang paling sulit dipahami mencapai 82,74%. Model offline Fun-ASR-Flash meraih peringkat pertama dalam peringkat tingkat kesalahan kata di platform evaluasi AI global Artificial Analysis.

Saat ini, kedua model baru ini hanya tersedia sebagai layanan API komersial di Alibaba Cloud Bailian, sementara kerangka kerja open source FunASR dan model ekosistemnya dapat diperoleh di komunitas ModelScope dan GitHub.