音声認識分野において、中国語認識技術の発展は常に注目を集めています。最近、小紅書(Xiaohongshu)のFireRedチームは、全く新しいオープンソースの音声認識モデル——FireRedASRを発表しました。この大規模モデルに基づいた音声認識システムは、複数の標準的なテストセットで優れた成績を収め、中国語音声認識技術の大きな飛躍を意味しています。FireRedASRの主要指標は文字誤り率（CER）であり、この指標が低いほど、モデルの認識精度が高いことを示します。最近の公開テストで、Fi

アメリカのスタートアップ企業Useful Sensorsは、Moonshineというオープンソースの音声認識モデルを発表しました。Moonshineは、オーディオデータの処理をより効率的に行うように設計されており、OpenAIのWhisperと比較して、計算資源の使用量が少なく、処理速度が5倍高速です。この新しいモデルは、リソースの限られたハードウェアでのリアルタイムアプリケーションの実現を目指して設計されており、柔軟なアーキテクチャを備えています。Whisperがオーディオを固定の30秒のセグメントに分割して処理するのに対し、Moonshineは…

2024年8月21日開催の火山引擎AIイノベーションツアー上海会場において、火山引擎は豆包大規模言語モデルの全面的なアップグレードを発表しました。これには、豆包・テキスト生成画像モデルによる長文テキストのより正確な画像マッチング機能、複数の公開テストセットにおける豆包・音声認識モデルのエラー率最大40％の削減、そして豆包・音声合成モデルへのリアルタイム対応と正確な句読点付与が可能なストリーミング音声合成機能の追加が含まれます。火山引擎はまた、豆包大規模言語モデルとリアルタイムの音声ビデオ技術を統合した対話型AIリアルタイムインタラクションソリューションを発表し、エンドツーエンドの...

バイトダンスが発表したSeed-ASRエンジンは、膨大なトレーニングデータを用いて、標準中国語、中国語13方言、7言語の高精度認識を実現し、言語間のコミュニケーションの利便性を大幅に向上させました。その最大の強みは優れたコンテキスト認識能力であり、過去の情報を活用して人名、地名、キーワードを正確に認識でき、特に特定の状況下では認識精度が向上します。日常会話、複雑な会議、複数人の会話、背景ノイズのある環境など、あらゆる状況下で正確に音声転写が可能です。また、様々な専門用語も認識できます。

イスラエルのAI企業aiOlaは、Whisper Medusaというオープンソースの音声認識モデルを発表しました。このモデルは改良されたアーキテクチャ設計に基づいており、マルチヘッドアテンション機構を導入することで、OpenAIのWhisperモデルよりも50%高速な処理を実現しています。Whisper Medusaは、従来の1トークンずつではなく、10トークンを並列に予測することで、音声認識速度を大幅に向上させながら、性能の低下を防いでいます。その革新的なトレーニング方法は弱教師あり学習を採用しており、主幹システムを凍結して—

イスラエルのAIスタートアップ企業aiOlaは、OpenAIのWhisperより50％高速なオープンソース音声認識モデルWhisper-Medusaを発表しました。このモデルはWhisperをベースに構築されており、革新的な「マルチヘッドアテンション」アーキテクチャを採用することで、一度により多くのトークンを予測し、速度を大幅に向上させながら精度を維持しています。Whisper-Medusaは、MITライセンスの下でHugging Faceで公開されており、研究および商業利用が許可されています。aiOlaは弱教師あり学習を用いて…