🎵
千問大模型升級實時語音識別模型 Fun-ASR-Realtime
阿里巴巴千問大模型升級了實時語音識別模型 Fun-ASR-Realtime，該模型首字延遲控制在百毫秒級別。它支援 30 種語言與 16 種方言，識別準確率接近離線模型。
Search
Tag: #asr16 results
阿里千問升級 Fun-ASR-Realtime，支援 30 種語言與 16 種方言
阿里千問升級了 Fun-ASR-Realtime 模型，現支援 30 種語言與 16 種方言，並具備高識別準確率。該模型已上線阿里雲百煉平台，並實現了百毫秒級的低延遲識別。
利用 NVIDIA Nemotron Speech 加速臨床 ASR 模型評估
NVIDIA 推出了一種利用 Agent Skills 和 Nemotron Speech 來評估臨床自動語音識別 (ASR) 模型的新方法。此解決方案解決了識別複雜醫學術語（如藥物和手術名稱）的困難，這些術語通常是現成語音系統的挑戰。
Cohere 推出開源 ASR Transcribe
Cohere 發布 Transcribe，其首款開源自動語音辨識（ASR）模型，參數規模約 20 億。定位輕量級，可在消費級 GPU 運行，針對自託管語音轉文字轉錄及語音內容分析。適合企業與開發者本地部署需求。
🎵
具口音意識的 Whisper 降低 WER 4%
Whisper Accent 使用每種口音條件化的自適應層歸一化來調整 OpenAI Whisper 以處理帶口音英語，同時凍結編碼器/解碼器。它支援 20 多種口音，中型模型在測試集上達到 13.4% WER，優於基礎 Whisper。GitHub 上發布完整訓練程式碼、評估流程和檢查點。
為低資源克里奧爾語構建翻譯與語音處理管線
NagaTranslate 是一項旨在為印度 Nagaland 的低資源語言（如 Nagamese、Ao 和 Sema）開發翻譯與語音處理管線的計畫。該專案目前採用商業 LLM API、針對 TTS 微調的 VITS 模型以及用於 ASR 的 Whisper 模型。
數據規模對跨語言語音識別遷移的影響大於延遲
本研究評估了多語言編碼器與純英語編碼器在串流語音識別（ASR）中的表現。研究發現，多語言初始化僅在數據量較少時具有顯著優勢，隨著目標語言數據量的增加，該優勢會迅速減弱。
推出用於真實世界 ASR 的 FFASR 排行榜
Hugging Face 推出了 FFASR 排行榜，旨在評估真實世界條件下的自動語音識別 (ASR) 系統。此舉旨在提供超越標準學術數據集的更準確性能評估。
🎵
優化 Whisper 以適應特定領域詞彙
開發者正在尋求有效的策略來針對技術或特定領域語音（特別是西班牙語）微調 Whisper。討論評估了除標準 LoRA 和 QLoRA 之外，能更好識別詞彙的方法。
優化用於古蘭經語音識別的 Transformer 模型
本研究評估了 Wav2Vec2.0 和 XLS-R 等自監督 Transformer 模型在古蘭經語音識別（ASR）的應用，顯著降低了詞錯誤率。研究強調了在大型誦讀數據集上進行特定領域微調的有效性。