de.wedoany.com-Bericht: Alibaba Qwen gab am 6. Juli bekannt, dass das Echtzeit-Spracherkennungs-Großmodell Fun-ASR-Realtime aktualisiert wurde. Nach dem Update unterstützt ein einzelnes Modell 16 Dialekte und 30 Sprachen. Die API ist bereits auf der Alibaba Cloud Bailian-Plattform in China verfügbar und für Szenarien wie Echtzeit-Untertitel, Meeting-Transkription, Sprachassistenten, grenzüberschreitenden Kundenservice und mehrsprachige Kommunikation freigegeben.
Der Schwerpunkt dieses Updates liegt auf den beiden Bereichen „Echtzeit" und „komplexe Sprachabdeckung". Als Streaming-Spracherkennungsmodell legt Fun-ASR-Realtime Wert auf die synchrone Textausgabe während des Sprechens. Die Verzögerung beim ersten Zeichen liegt im Bereich von hundert Millisekunden, und die Verzögerung bei der Ausgabe des letzten Zeichens langer Sätze ist gering. Im Vergleich zur Offline-Erkennung, die erst nach Ende der Aufnahme transkribiert, stellt die Echtzeit-Erkennung höhere Anforderungen an die kontinuierliche Beurteilungsfähigkeit des Modells in Bezug auf Sprachfragmente, Kontext, Pausen, Rauschen und Akzentvariationen. In Szenarien wie Meetings, Live-Streaming, Kundenservice und intelligenten Geräten warten Benutzer nicht, bis ein Satz vollständig beendet ist, um ein Ergebnis zu benötigen. Das System muss während des Zuhörens erkennen und Fehlinterpretationen durch Kontextänderungen so gering wie möglich halten.
In Bezug auf Dialektfähigkeiten deckt Fun-ASR-Realtime 16 Dialekte aus acht großen Dialektregionen ab. In relevanten Tests erreichte das Modell eine durchschnittliche Zeichengenauigkeit von 88,62 % und übertraf bei der Erkennung von 12 Dialektarten die entsprechenden Produkte von Volcano Engine und Tencent in China. Die Dialekterkennung ist seit langem eine Herausforderung in der Sprachtechnologie, da sich Anlaute, Auslaute, Töne, Sprechgeschwindigkeit, Liaison und Wortschatz in verschiedenen Regionen stark unterscheiden. Derselbe hochchinesische Wortschatz kann in der realen gesprochenen Sprache durch verschiedene Akzente verändert werden. Wenn das Modell nur an Standardhochchinesisch angepasst ist, kann es in Szenarien wie Kundenservice, Live-Streaming, Kurzvideos, Regierungs-Hotlines, Fahrzeugsprache und intelligenten Endgeräten leicht zu Transkriptionsfehlern kommen. Indem Qwen nun 16 Dialekte in dasselbe Echtzeitmodell integriert, müssen Unternehmen bei der Integration nicht mehr mehrere Erkennungsfähigkeiten für verschiedene Regionen separat bereitstellen.
Die mehrsprachigen Fähigkeiten zielen auf breitere kommerzielle Anwendungsszenarien ab. Fun-ASR-Realtime unterstützt 30 Sprachen und wurde speziell für mehrsprachige Szenarien in Ost- und Südostasien, wie z. B. Thailändisch, optimiert, wodurch die Erkennungsgenauigkeit um 20 % gesteigert wurde. Diese Art von Fähigkeit eignet sich besser für grenzüberschreitenden Kundenservice, internationale Konferenzen, internationales Live-Streaming, Schulungen in multinationalen Unternehmen, Tourismusdienstleistungen, internationalen E-Commerce und lokalisierte Betriebsführung. Für Unternehmen, die ins Ausland gehen, geht es bei der Spracherkennung nicht nur darum, Sprache in Text umzuwandeln, sondern auch um Qualitätskontrolle im Kundenservice, Ticketgenerierung, Besprechungsprotokolle, Untertitelübersetzung, Lead-Erfassung und Compliance-Dokumentation. Wenn ein Echtzeitmodell gleichzeitig Mehrsprachigkeit und Akzentprobleme bewältigen kann, können Unternehmen in ihrem Auslandsgeschäft Kosten für manuelle Transkription und wiederholte Aufbereitung reduzieren.
Dieses Update stellt die Kontextfähigkeit stärker in den Vordergrund. Die Echtzeit-Spracherkennung ist anfällig für Umgebungsgeräusche, mehrere Sprecher, Fachvokabular und temporäre Hotwords. Besonders in Szenarien wie Live-Streaming, Industrieumgebungen, medizinischen Konsultationen, Finanzkundenservice und technischen Meetings sind Personennamen, Markennamen, Produktmodelle und Gerätenamen oft keine allgemeinen Wörter. Fun-ASR-Realtime wurde für eine erweiterte Kontextfähigkeit (Context) gestärkt und kann die Erkennungsergebnisse durch die Kombination von historischem Gesprächskontext und Echtzeit-Hotwords verbessern. Beispielsweise kann das Modell in einem Live-Streaming-Szenario basierend auf dem vorherigen und nachfolgenden semantischen Kontext leicht zu überhörende Wörter korrigieren, sodass die Untertitel näher am tatsächlichen Ausdruck liegen. Diese Fähigkeit kommt den tatsächlichen Geschäftsanforderungen näher als die bloße Verbesserung der hochchinesischen Diktiergenauigkeit.
Nachdem die API auf der Alibaba Cloud Bailian-Plattform in China veröffentlicht wurde, können Entwickler und Unternehmen Fun-ASR-Realtime in ihre eigenen Geschäftssysteme integrieren. Die Art der Integration wird die Geschwindigkeit der Modellimplementierung beeinflussen: Wenn die Spracherkennungsfähigkeit nur in einem einzigen Produkt verwendet werden kann, ähnelt sie eher einem Werkzeug; wenn sie über die API in Kundenservicesysteme, Konferenzsysteme, intelligente Hardware, Live-Streaming-Plattformen, Fahrzeugsysteme und Unternehmensbüroplattformen integriert wird, wird sie zur zugrunde liegenden Sprach-Infrastruktur. Fun-ASR-Realtime bildet zusammen mit dem kürzlich veröffentlichten Offline-Modell Fun-ASR-Flash eine Kombination. Ersteres eignet sich für Echtzeit-Untertitel und Sprachinteraktion, Letzteres eher für Audiodateien, lange Audioaufnahmen, Interviews und Batch-Transkriptionsaufgaben. Da sowohl Echtzeit- als auch Offline-Modelle gleichzeitig auf der Bailian-Plattform verfügbar sind, können Unternehmen je nach Szenario verschiedene Erkennungspfade wählen.
Der Wettbewerb bei Spracherkennungsmodellen verlagert sich von „Kann es Hochchinesisch verstehen?" hin zu „Kann es komplexe Geräusche in der realen Welt verstehen?". Benutzer können einen Akzent haben, beim Sprechen pausieren, wiederholen, englische Wörter einfügen, die Sprache wechseln und sich in einer Konferenzumgebung, einem Live-Studio, einer Fabrik, einem Auto oder im Freien befinden. Mit der gleichzeitigen Aktualisierung von Dialekten, Mehrsprachigkeit, geringer Latenz, Kontext-Hotwords und API-Dienstleistungen zielt Fun-ASR-Realtime auf einen komplexeren unternehmensweiten Spracheingang ab. Wie viele Branchenvokabeln es abdecken kann, ob es bei hoher gleichzeitiger Nutzung eine niedrige Latenz beibehalten kann und ob es sich an mehr Rauschszenarien anpassen kann, wird direkt darüber entscheiden, wie tief solche Echtzeit-Sprachmodelle in kommerziellen Systemen eingesetzt werden.
