Dans le domaine de la reconnaissance vocale, le développement de la technologie de reconnaissance du chinois a toujours suscité un vif intérêt. Récemment, l'équipe FireRed de Xiaohongshu a publié un nouveau modèle de reconnaissance vocale open source : FireRedASR. Ce système de reconnaissance vocale basé sur un grand modèle a obtenu d'excellents résultats sur plusieurs ensembles de tests standard, marquant une avancée majeure dans la technologie de reconnaissance vocale chinoise. L'indicateur principal de FireRedASR est le taux d'erreur de caractères (CER), un indicateur qui, plus il est bas, indique une meilleure performance du modèle. Lors de récents tests publics, Fi

SoundHound AI, entreprise spécialisée dans la technologie vocale IA, annonce une excellente nouvelle : sa solution vocale est désormais déployée chez 7 des 20 plus grandes chaînes de restauration rapide américaines. Le dernier rapport financier de la société révèle un chiffre d'affaires de 25 millions de dollars au troisième trimestre, soit une augmentation de 89 % par rapport à l'année précédente, un nouveau record trimestriel. Selon Keyvan Mohajer, PDG et cofondateur de SoundHound AI, la technologie vocale IA de la société est largement utilisée dans divers contextes, notamment les commandes au volant, les commandes téléphoniques, les bornes libre-service et les applications mobiles.

La startup américaine Useful Sensors a lancé Moonshine, un modèle de reconnaissance vocale open source. Conçu pour traiter les données audio de manière plus efficace, Moonshine est plus économique en ressources de calcul que Whisper d'OpenAI et cinq fois plus rapide. Ce nouveau modèle, à l'architecture flexible, est spécialement conçu pour les applications en temps réel sur des matériels aux ressources limitées. Contrairement à Whisper qui traite les fichiers audio par segments fixes de 30 secondes...

La startup française Gladia, qui propose une interface de programmation d'application (API) de reconnaissance vocale, a levé 16 millions de dollars lors d'un tour de financement de série A. L'API de Gladia convertit essentiellement n'importe quel fichier audio en texte avec une grande précision et une faible latence. Bien qu'Amazon, Microsoft et Google proposent des API de transcription vocale dans le cadre de leurs suites de produits hébergés dans le cloud, leurs performances sont inférieures à celles des nouveaux modèles proposés par certaines startups spécialisées. Notamment depuis la sortie du modèle Whisper d'OpenAI, ce secteur a connu une forte innovation.

FunASR a récemment lancé un puissant kit logiciel de transcription de fichiers hors ligne multilingues, offrant aux utilisateurs une solution efficace et précise de conversion de la parole en texte. L'avantage principal de ce kit logiciel réside dans sa capacité de transcription hors ligne. Il peut facilement traiter des fichiers audio ou vidéo de plusieurs heures et générer une transcription textuelle avec ponctuation. Cette fonctionnalité est un atout majeur pour les professionnels devant traiter de grandes quantités de données audio. La prise en charge multilingue de FunASR est également impressionnante. Actuellement, le kit logiciel prend en charge le chinois et l'anglais.

Lors de la tournée d'innovation IA de Volcano Engine à Shanghai le 21 août 2024, Volcano Engine a présenté la mise à niveau complète du modèle Doubao, notamment une capacité de correspondance texte-image plus précise pour le modèle Doubao · génération d'images à partir de texte, une réduction maximale de 40 % du taux d'erreur du modèle Doubao · reconnaissance vocale sur plusieurs ensembles de tests publics, ainsi qu'une capacité de synthèse vocale en streaming améliorée pour le modèle Doubao · synthèse vocale, permettant une réponse en temps réel et une ponctuation précise. Volcano Engine a également lancé une solution d'interaction en temps réel pour l'IA conversationnelle, intégrant le modèle Doubao et la technologie audiovisuelle en temps réel pour fournir une solution de bout en bout.

Le moteur Seed-ASR de ByteDance, entraîné sur un volume massif de données, permet une reconnaissance précise du mandarin, de 13 dialectes chinois et de 7 langues étrangères, améliorant ainsi considérablement la facilité des échanges interlinguistiques. Son principal atout réside dans sa remarquable capacité de compréhension contextuelle, lui permettant d'identifier avec précision les noms de personnes, les noms de lieux et les mots clés en tenant compte des informations historiques. Il excelle particulièrement dans des scénarios spécifiques, améliorant ainsi la précision de la reconnaissance. Que ce soit lors de conversations quotidiennes, de réunions complexes, de conversations à plusieurs ou en environnement bruité, Seed-ASR assure une transcription précise. Il est également capable de reconnaître divers termes professionnels.

Alibaba a récemment publié son nouveau modèle vocal open source Qwen2-Audio. Ce modèle excelle en reconnaissance vocale, traduction et analyse audio, affichant une amélioration significative des performances. Qwen2-Audio est disponible en version de base et en version fine-tunée avec instructions, prenant en charge plusieurs langues telles que le chinois, le cantonais, le français, l'anglais et le japonais, facilitant ainsi les applications d'analyse des sentiments et de traduction. Par rapport à Qwen-Audio, Qwen2-Audio a bénéficié d'une optimisation complète de son architecture et de ses performances, avec des invites linguistiques plus naturelles lors de la phase de pré-entraînement.

La société israélienne d'IA aiOla a publié un modèle de reconnaissance vocale open source appelé Whisper Medusa. Basé sur une architecture améliorée intégrant un mécanisme d'attention multi-têtes, il est 50% plus rapide que le modèle Whisper d'OpenAI. Whisper Medusa prédit dix jetons en parallèle au lieu d'un seul à la fois, améliorant ainsi considérablement la vitesse de reconnaissance vocale tout en maintenant les performances. Sa méthode d'entraînement innovante utilise l'apprentissage faiblement supervisé, en gelant le système principal et en utilisant...

La start-up israélienne d'IA aiOla a publié un modèle de reconnaissance vocale open source appelé Whisper-Medusa, 50% plus rapide que Whisper d'OpenAI. Ce modèle, basé sur Whisper, utilise une architecture innovante d'« attention multi-têtes » pour prédire plus de jetons à la fois, ce qui améliore considérablement la vitesse sans compromettre la précision. Whisper-Medusa est disponible sur Hugging Face sous licence MIT, permettant une utilisation à des fins de recherche et commerciales. aiOla utilise la supervision faible...

Intron Health, une start-up spécialisée dans la reconnaissance vocale clinique, a annoncé avoir obtenu un financement de démarrage de 1,6 million de dollars. La société a été fondée par Tobi Olatunji, médecin formé et ayant exercé au Nigéria, qui a été témoin de l'inefficacité du système de santé, notamment la paperasserie fastidieuse et la difficulté de suivre ces documents.

Microsoft a récemment publié VALL-E 2, un modèle texte-à-parole (TTS) à zéro échantillon, une avancée qui a suscité de nombreux débats dans le monde technologique et qui est considérée comme une étape importante dans le domaine de la synthèse vocale. L'innovation de VALL-E 2 réside dans sa capacité d'apprentissage zéro-échantillon : il suffit d'un court échantillon vocal inconnu pour imiter une voix et prononcer n'importe quel texte, réalisant ainsi une imitation instantanée et un groupement de codeurs étonnants. Il améliore également l'échantillonnage perceptif répétitif, améliorant ainsi la stabilité du décodage et simplifiant les besoins en données. Dans les tests de notation subjective et d'indicateurs objectifs, VALL-E 2 a surpassé les modèles précédents.

YouTube Music teste actuellement deux fonctionnalités révolutionnaires visant à améliorer l’intelligence et la personnalisation de la découverte musicale. La première est une radio conversationnelle IA qui permet aux utilisateurs de décrire leurs préférences musicales en langage naturel pour générer des playlists personnalisées. La seconde fonctionnalité, similaire à Shazam, utilise la reconnaissance vocale pour identifier les chansons, permettant aux utilisateurs de trouver le nom d’une chanson même sans l’entendre en entier. Ces nouvelles fonctionnalités sont d’abord déployées auprès d’un échantillon d’utilisateurs américains, avant une diffusion plus large à terme, afin d’améliorer l’expérience des services de streaming musical et d’explorer le potentiel de l’IA dans le domaine de la musique.

Amélioration de Tencent Cloud ASR pour une meilleure gestion des dialectes et du bruit. ASR prend en charge la reconnaissance de 23 dialectes et le filtrage du bruit. Utilisation d'un grand modèle linguistique pour améliorer la précision de la reconnaissance. Produit largement utilisé par les clients internes et externes. Tencent Cloud ASR a atteint des milliards d'appels quotidiens.

Une étude récente publiée dans une revue Nature a montré qu'un système d'IA construit à partir de cellules cérébrales humaines vivantes a permis d'améliorer le taux de précision de la reconnaissance vocale de 30-40 % à 78 %. Ce système peut effectuer un apprentissage non supervisé, semblable à un réseau neuronal, et sa capacité d'apprentissage est liée à la connexion des cellules nerveuses des organoïdes cérébraux. Composé d'un "mini-cerveau" et de microélectrodes, il a montré une amélioration significative après seulement deux jours d'entraînement, mais il ne peut identifier que la personne qui parle sans comprendre le contenu. Les performances du système devraient pouvoir être améliorées, mais les organoïdes cérébraux ne survivent que 1 à 2 mois et les équipements externes consomment beaucoup d'énergie. Cette recherche met en lumière le potentiel d'une véritable intelligence biologique universelle.