音声インタラクションは新たな技術的な飛躍を迎えています。このたび、通義千問の大規模モデルはそのコアな音声能力を正式にアップグレードし、新しくリアルタイム音声認識モデル「Fun-ASR-Realtime」をリリースしました。

このモデルはパフォーマンスの指標において顕著な進歩を遂げ、最初の文字の認識遅延が正確に100ミリ秒レベルに制御され、ユーザーがインタラクション中に「話すとすぐに返答される」というスムーズな体験を感じることができます。精度に関しては優れた性能を発揮しており、識別水準は業界でトップクラスのオフライン認識モデルに近づいており、実際にリアルタイム性と高品質を有機的に統合しています。

多様な応用ニーズに対応するため、Fun-ASR-Realtimeは広範な言語カバー能力を持っています。30種類以上の言語の認識処理をサポートしているだけでなく、中国語の方言の理解を特に強化しており、現在では16種類の方言を含む複雑な音声入力を認識できるようになりました。

この技術のアップグレードにより、音声アシスタントや会議録などのリアルタイムインタラクションシーンにさらに堅実な基盤を提供するだけでなく、汎用的大規模モデルが多言語・多方言環境での応用範囲をさらに拡大することになりました。モデルが正式リリースされることで、開発者や企業ユーザーはより簡単に高感度かつ高精度なスマート音声アプリケーションを構築でき、AIとのインタラクションをより自然で人間らしいものにすることが可能になります。