最近、アリババ・トゥンイー研究所は最新のエンドツーエンド音声認識大規模モデル「FunAudio-ASR」を正式に発表しました。このモデルの最大の特徴は、革新的な「Contextモジュール」であり、騒音が大きい環境での音声認識の正確性が大幅に向上しています。幻覚率は78.5%から10.7%にまで大きく低下し、約70%の減少となりました。この技術的突破により、音声認識業界に新しい基準が設けられ、特に会議や公共の場などの騒がしい状況において非常に適しています。

FunAudio-ASRモデルは、数千万時間以上の音声データを使用して訓練され、大規模言語モデルの意味理解能力を組み込むことで、遠距離、騒がしい場所、複数の話者がいるなど複雑な条件下でも、Seed-ASRやKimiAudio-8Bなどの多くの主流の音声認識システムをすでに超えています。この技術を活用することで、ユーザーは音声認識を行う際、より明確で正確な認識結果を得ることができます。

image.png

また、完全版だけでなく、軽量版の「FunAudio-ASR-nano」もリリースされています。このバージョンは高い認識精度を維持しつつ、推論コストを削減しており、リソースが厳しい展開環境にも適しています。企業であれ小さなチームであれ、自分に合った解決策を見つけることができます。

image.png

現在、FunAudio-ASRは、DingTalkの「AIメモ」機能、ビデオ会議、そしてDingTalk A1ハードウェアで実際の応用が行われています。さらに、そのAPIはアリババクラウドの「百煉」プラットフォームで正式にリリースされ、開発者による統合と使用が容易になっています。企業ユーザーにとって、これは会議効率を向上させ、コミュニケーション効果を高めるためのこの先進技術を活用できるということです。

FunAudio-ASRは音声認識技術に新たな突破をもたらすだけでなく、ユーザーの実際の応用に対して強力なサポートを提供し、AI技術のさらなる普及と応用を推進しています。

公式紹介：https://mp.weixin.qq.com/s/7l5EPTU7cpz7GSN4RP91rg