আলিাবাবা আজ Qwen-Audio-3.0-ASR নামে একটি স্পিচ রিকগনিশন বড় মডেল প্রকাশ করেছে। সহজভাবে বললে, এটি AI-কে পেশাগত শব্দ আরও ভালোভাবে বুঝতে সাহায্য করে।
Qwen-Audio-3.0-ASR-Flash মূলত প্রাসঙ্গিকতার সামঞ্জস্য, শিল্পক্ষেত্রের শব্দ শনাক্তকরণ এবং হট-ওয়ার্ড কাস্টমাইজেশনের তিনটি ক্ষেত্রে পদ্ধতিগত উন্নতি করেছে। একই সঙ্গে মডেলটি কথ্য ভাষা পরিমার্জনের সক্ষমতা অর্জন করেছে এবং সরাসরি কাঠামোবদ্ধ টেক্সট আউটপুট দিতে পারে।
গবেষণা দলটি চিকিৎসা, IT প্রোগ্রামিং, শেয়ারবাজার, সামাজিকভাবে পরিচিত ব্যক্তিসহ বিভিন্ন ক্ষেত্র থেকে পেশাগত শব্দ সংগ্রহ করে চলেছে এবং বহু শিল্পক্ষেত্রকে আওতাভুক্ত একটি উচ্চমানের শব্দভান্ডার তৈরি করেছে। এর ফলে পেশাগত পরিভাষা ও বিরল শব্দ শনাক্তকরণে মডেলটির সক্ষমতা বেড়েছে। সর্বশেষ শিল্পক্ষেত্রভিত্তিক শব্দভান্ডার অভ্যন্তরীণ মূল্যায়নে, নতুন মডেলটি বিভিন্ন শিল্পের পেশাগত শব্দের “শোনার সঠিকতার হার”-এ উল্লেখযোগ্য উন্নতি দেখিয়েছে। এর মধ্যে চিকিৎসা ক্ষেত্রে হার 95.36% ছাড়িয়ে গেছে।
বর্তমানে, Qwen-Audio-ASR-Flash সিরিজটি সভার কার্যবিবরণী整理, রিয়েল-টাইম সাবটাইটেল, শিক্ষামূলক রেকর্ডেড ক্লাস এবং স্মার্ট কাস্টমার সার্ভিসসহ বিভিন্ন ক্ষেত্রে যাচাই করা হয়েছে। এটি একবার AI মূল্যায়ন প্ল্যাটফর্ম Artificial Analysis-এ 1.7% ভুল অক্ষরের হার নিয়ে বিশ্বে প্রথম স্থান অর্জন করেছিল।
Qwen-Audio-3.0-ASR— বর্তমানে আলিবাবা ক্লাউড বাইলিয়ান প্ল্যাটফর্মের মাধ্যমে ব্যবহারের জন্য উন্মুক্ত এবং তিনটি সংস্করণ প্রদান করছে:
Qwen-Audio-3.0-ASR-Flash: স্পিচ রিকগনিশন, সর্বোচ্চ 5 মিনিট
Qwen-Audio-3.0-ASR-Filetrans : অফলাইন ফাইল ট্রান্সক্রিপশন
Qwen-Audio-3.0-ASR-Streaming : রিয়েল-টাইম স্পিচ রিকগনিশন
Qwen-Audio-3.0-ASR-Flash ব্যবহারের ঠিকানা নিচে দেওয়া হলো:
Qwen-Audio-3.0-ASR-Flash:
https://help.aliyun.com/zh/model-studio/non-real-time-speech-recognition-for-fun-asr-flash
Qwen-Audio-3.0-ASR-Flash-Filetrans :
https://help.aliyun.com/zh/model-studio/fun-asr-recorded-speech-recognition-http-api
Qwen-Audio-3.0-ASR-Flash-Streaming :
https://help.aliyun.com/zh/model-studio/fun-asr-realtime-websocket-api