WhisperSpeech: Reconstrucción de ingeniería inversa del modelo de reconocimiento de voz Whisper de OpenAI para lograr voz natural

OnePlus 13 presenta ColorOS 15.0.0.701 con función de reconocimiento de voz AIGC

FireRedASR: El modelo de reconocimiento de voz de código abierto de Xiaohongshu, con una precisión superior en chino

En el campo del reconocimiento de voz, el desarrollo de la tecnología de reconocimiento de chino ha sido un tema de gran interés. Recientemente, el equipo FireRed de Xiaohongshu lanzó un nuevo modelo de reconocimiento de voz de código abierto: FireRedASR. Este sistema de reconocimiento de voz basado en modelos grandes ha obtenido excelentes resultados en varios conjuntos de pruebas estándar, lo que representa un gran avance en la tecnología de reconocimiento de voz en chino. El indicador principal de FireRedASR es la tasa de error de caracteres (CER), un indicador que cuanto más bajo sea, mejor será el rendimiento del modelo. En las pruebas públicas recientes, Fi

Moonshine: Nuevo modelo de reconocimiento de voz de código abierto, cinco veces más rápido que Whisper de OpenAI

La startup estadounidense Useful Sensors ha lanzado un modelo de reconocimiento de voz de código abierto llamado Moonshine. Moonshine está diseñado para procesar datos de audio de manera más eficiente, utilizando menos recursos computacionales que Whisper de OpenAI y siendo cinco veces más rápido. Este nuevo modelo está diseñado para aplicaciones en tiempo real en hardware con recursos limitados y cuenta con una arquitectura flexible. A diferencia de Whisper, que procesa el audio en fragmentos fijos de 30 segundos...

Gladia, API de reconocimiento de voz, obtiene 16 millones de dólares en una ronda Serie A para desafiar a Amazon, Microsoft y Google

La startup francesa Gladia, que ofrece una interfaz de programación de aplicaciones (API) de reconocimiento de voz, ha recaudado 16 millones de dólares en una ronda Serie A. Básicamente, la API de Gladia convierte cualquier archivo de audio en texto con alta precisión y baja latencia. Si bien Amazon, Microsoft y Google ofrecen APIs de voz a texto como parte de sus suites de productos en la nube, su rendimiento no es tan bueno como los modelos más nuevos que ofrecen algunas startups especializadas. Especialmente desde el lanzamiento del modelo Whisper de OpenAI, este campo ha experimentado un gran avance.

Tecnología innovadora de reconocimiento de voz: FunASR lanza una poderosa herramienta de transcripción fuera de línea multilingüe

Recientemente, FunASR lanzó un potente paquete de software de transcripción de archivos fuera de línea multilingüe, que ofrece a los usuarios una solución de voz a texto eficiente y precisa. La principal ventaja de este paquete de software es su capacidad de transcripción de archivos fuera de línea. Puede procesar fácilmente archivos de audio o video de hasta varias horas de duración y generar transcripciones con puntuación. Esta función es sin duda una gran ventaja para los profesionales que necesitan procesar una gran cantidad de material de audio. El soporte multilingüe de FunASR también es impresionante. Actualmente, el paquete de software admite chino e inglés

Modelo de voz y visión de ByteDoubao mejorado: capacidad integral aumentada en un 20.3%

En la parada de Shanghái de la gira de innovación de IA de Volcano Engine del 21 de agosto de 2024, Volcano Engine mostró una mejora integral del modelo Doubao, incluyendo una capacidad de coincidencia de texto e imagen más precisa para textos largos en el modelo de generación de imágenes a partir de texto Doubao, una reducción de hasta el 40% en la tasa de error del modelo de reconocimiento de voz Doubao en varios conjuntos de pruebas públicas, y una mejora en la capacidad de síntesis de voz en tiempo real del modelo de síntesis de voz Doubao, capaz de responder en tiempo real y segmentar con precisión. Volcano Engine también lanzó una solución de interacción en tiempo real para IA conversacional, integrando el modelo Doubao y la tecnología de audio y video en tiempo real para proporcionar una solución integral de

aiOla de Israel lanza Whisper Medusa, un modelo de reconocimiento de voz de código abierto un 50% más rápido

La empresa israelí de IA aiOla ha lanzado un modelo de reconocimiento de voz de código abierto llamado Whisper Medusa. Basado en un diseño de arquitectura mejorado que incorpora un mecanismo de atención múltiple, este modelo es un 50% más rápido que el modelo Whisper de OpenAI. Whisper Medusa logra esta mejora de velocidad prediciendo diez tokens en paralelo en lugar de uno a la vez, manteniendo al mismo tiempo el rendimiento. Su innovador método de entrenamiento utiliza aprendizaje con supervisión débil, congelando el sistema principal y utilizando...

aiOla presenta Whisper-Medusa, un modelo de reconocimiento de voz de código abierto ultrarrápido, un 50% más veloz que Whisper de OpenAI

La startup israelí de IA, aiOla, ha lanzado un modelo de reconocimiento de voz de código abierto llamado Whisper-Medusa, que es un 50% más rápido que Whisper de OpenAI. Este modelo, basado en Whisper, utiliza una innovadora arquitectura de "atención multi-cabeza" que permite predecir más tokens a la vez, lo que resulta en una mejora significativa de la velocidad sin sacrificar la precisión. Whisper-Medusa se ha publicado en Hugging Face con licencia MIT, permitiendo su uso tanto para investigación como para fines comerciales. aiOla utiliza la supervisión débil para...

Intron Health anuncia una financiación de 1,6 millones de dólares para apoyar el reconocimiento de voz con acento africano

Intron Health, una empresa emergente centrada en el reconocimiento de voz clínico, ha anunciado una ronda semilla de financiación de 1,6 millones de dólares. La empresa fue fundada por Tobi Olatunji, médico formado y con experiencia en Nigeria, quien fue testigo de la ineficiencia del sistema sanitario, incluyendo la pesada carga administrativa y la dificultad para hacer un seguimiento de estos documentos.

NVIDIA lanza Parakeet, un nuevo modelo de reconocimiento de voz con IA que supera a Whisper

El modelo ASR Parakeet de NVIDIA NeMo ha logrado una precisión excepcional en el reconocimiento de voz. El modelo Parakeet se basa en los descodificadores RNN Transducer y Clasificación Temporal Coneccionista, con entre 60 y 110 millones de parámetros. El modelo Parakeet ofrece un rendimiento excelente en diversos conjuntos de datos de referencia y es adecuado para la transcripción de voz en diferentes entornos acústicos.