No campo do reconhecimento de voz, o desenvolvimento da tecnologia de reconhecimento em chinês tem sido foco de atenção. Recentemente, a equipe FireRed do Xiaohongshu lançou um novo modelo de reconhecimento de voz de código aberto - FireRedASR. Este sistema de reconhecimento de voz baseado em modelos grandes obteve resultados excelentes em vários conjuntos de testes padrão, marcando um grande avanço na tecnologia de reconhecimento de voz em chinês. O principal indicador do FireRedASR é a taxa de erro de caracteres (CER), sendo que quanto menor o indicador, melhor o efeito de reconhecimento do modelo. Em testes públicos recentes, Fi

A startup americana Useful Sensors lançou um modelo de reconhecimento de voz de código aberto chamado Moonshine. O Moonshine foi projetado para processar dados de áudio de forma mais eficiente, sendo mais econômico em termos de recursos computacionais e cinco vezes mais rápido que o Whisper do OpenAI. Este novo modelo é construído para aplicações em tempo real em hardware com recursos limitados e possui uma arquitetura flexível. Ao contrário do Whisper, que processa o áudio em segmentos fixos de 30 segundos, o Moonshine...

A startup francesa Gladia, que oferece uma interface de programação de aplicativos (API) de reconhecimento de voz, arrecadou US$ 16 milhões em uma rodada de financiamento Série A. Essencialmente, a API da Gladia converte qualquer arquivo de áudio em texto com alta precisão e baixa latência. Embora a Amazon, a Microsoft e o Google ofereçam APIs de voz para texto como parte de seus pacotes de produtos em nuvem, seu desempenho não é tão bom quanto os modelos mais novos oferecidos por algumas startups especializadas. Isso é especialmente verdadeiro desde o lançamento do modelo Whisper pela OpenAI.

Recentemente, a FunASR lançou um poderoso pacote de software de transcrição offline de arquivos multilíngue, oferecendo aos usuários uma solução eficiente e precisa de voz para texto. A principal vantagem deste pacote é sua capacidade de transcrição offline de arquivos. Ele pode facilmente processar arquivos de áudio ou vídeo com horas de duração e gerar transcrições com pontuação. Este recurso é uma ótima notícia para profissionais que precisam lidar com grandes quantidades de material de áudio. O suporte multilíngue do FunASR também é impressionante. Atualmente, o pacote suporta chinês e inglês.

A aiOla, startup israelense de IA, lançou um modelo de reconhecimento de voz open source chamado Whisper-Medusa, 50% mais rápido que o Whisper da OpenAI. Construído com base no Whisper, o modelo emprega uma arquitetura inovadora de "atenção multi-cabeça", permitindo a previsão de mais tokens de uma só vez, resultando em um aumento significativo de velocidade sem perda de precisão. O Whisper-Medusa foi lançado no Hugging Face sob a licença MIT, permitindo uso para pesquisa e comercial. A aiOla utiliza supervisão fraca

O Tencent Cloud ASR foi atualizado para melhor lidar com dialetos e ruídos. O ASR suporta o reconhecimento de 23 dialetos e a filtragem de ruídos. Um modelo de linguagem de grande escala é usado para melhorar a precisão do reconhecimento. O produto é amplamente utilizado por clientes corporativos internos e externos. O Tencent Cloud ASR atingiu bilhões de chamadas diárias.

Uma publicação recente na revista Nature relata que um sistema de IA construído com células cerebrais humanas vivas melhorou a precisão do reconhecimento de voz de 30%-40% para 78%. O sistema pode realizar aprendizado não supervisionado, semelhante a uma rede neural, e sua capacidade de aprendizado está relacionada à conectividade das células neurais do organóide cerebral. Composto por um 'mini-cérebro' e microeletrodos, após dois dias de treinamento, o sistema mostrou uma melhora significativa, mas só consegue identificar o falante e não compreende o conteúdo. Embora haja potencial para melhorar o desempenho do sistema, os organóides cerebrais só sobrevivem por 1 a 2 meses e os equipamentos externos consomem muita energia. A pesquisa lança luz sobre a criação de uma verdadeira inteligência artificial biológica generalizada.