火山エンジンは今日、豆包音声認識モデル2.0（Doubao-Seed-ASR-2.0）を正式にリリースしました。このアップグレード版の音声認識技術は、推論能力において顕著な向上を遂げており、複数の言語や視覚情報の正確な認識にも対応しています。これは音声認識技術における新たな重要な進歩を示しています。

この豆包音声認識モデル2.0は、前バージョンの20億パラメータを持つ高性能な音声符号化器の利点を引き継ぎつつ、複雑な状況での最適化に注力しています。このモデルは、固有名詞、人名、地名および識別が難しい多音字などの難点に対して深層学習を行っており、あらゆるアプリケーションでより高い正確性を提供することを目指しています。推論能力は先進的なPPO方式に基づいており、ターゲット語彙の履歴に依存することなく、文脈を深く理解することで正確な認識を実現します。

QQ20251205-153045.png

注目すべきは、豆包音声認識モデル2.0のアップグレードにより、マルチモーダル理解能力を備えるようになったことです。このモデルはテキストと視覚情報を同時に分析できるため、ユーザーが画像を送信した場合、画像の内容をもとに音声認識を行うことができます。これにより、ユーザーの意図をより正確に理解することが可能になります。例えば、スケートボードを含む画像を説明する際、従来のモデルでは「スケッチ」を「スカイ」と誤って認識する可能性がありますが、豆包モデルは画像を解析してユーザーが実際に「スケッチ」と言っていることを判断し、認識の誤差を回避できます。

また、豆包音声認識モデル2.0は、日本語、韓国語、ドイツ語、フランス語など13種類の海外言語の正確な認識にも対応しています。この多言語サポートにより、異言語のアプリケーションシーンでの利用範囲が広がり、グローバルユーザーのインタラクション体験が向上します。

QQ20251205-153101.png

火山エンジンによると、豆包音声認識モデル2.0は現在、火山方舟体験センターで公開され、APIサービスを通じて外部からアクセス可能となっています。これにより、企業や開発者はこの技術に簡単に統合することができます。今後、火山エンジンはモデルの進化を継続し、マルチモーダルおよびマルチシナリオにおいてさらに正確な音声からテキストへの変換サービスを実現し、ユーザーに効率的なソリューションを提供していく予定です。

火山エンジンが今回リリースした豆包音声認識モデル2.0は、人工知能分野における持続的なイノベーション能力と技術力を十分に示しており、業界標準とユーザー体験にポジティブな影響を与えることが予想されます。