Alibaba améliore le modèle vocal en temps réel Fun-ASR-Realtime : délai de cent millisecondes pour le premier mot, taux de précision de reconnaissance du wenzhounais supérieur à 82 %.

Selon la surveillance de Beating, le laboratoire Tongyi d'Alibaba a réduit le délai de première lettre du modèle de reconnaissance vocale en streaming Fun-ASR-Realtime à moins de 100 millisecondes, réalisant ainsi une sortie de caractères immédiate après la fin de la parole, avec une précision proche de celle du modèle hors ligne. Lors du récent live streaming de 100 heures sur une île déserte de Film Storm, le modèle a fourni un support de sous-titrage en temps réel tout au long de l'événement, même dans des conditions difficiles comme une pluie torrentielle en extérieur et des changements fréquents de locuteurs, reconnaissant plus de 60 000 entrées, soit 1,32 million de caractères.

Pour résoudre le problème courant de la reconnaissance vocale en temps réel qui prend facilement les propos hors contexte, le nouveau modèle renforce la capacité de compréhension contextuelle, en utilisant les dialogues historiques et les mots chauds en temps réel pour corriger dynamiquement les erreurs (par exemple, en corrigeant automatiquement « Ye Lu » en « Héron de nuit » en fonction du contexte suivant). Le modèle prend actuellement en charge 30 langues et 16 dialectes, avec un taux de précision moyen des caractères de 88,62 % dans les tests dialectaux, dont 92,41 % pour le shanghaïen et 82,74 % pour le wenzhou, réputé comme le plus difficile. La version hors ligne du modèle Fun-ASR-Flash a obtenu la première place dans le classement du taux d'erreur de caractères sur la plateforme mondiale d'évaluation AI Artificial Analysis.

Actuellement, ces deux nouveaux modèles ne sont disponibles que sous forme de services API commerciaux sur Alibaba Cloud Bailian, tandis que le cadre open-source sous-jacent FunASR et les modèles écologiques peuvent être obtenus sur Moda Community et GitHub.