Spark-ASR-2.0 Inafanya kazi

Spark-ASR-2.0 ni kizazi kipya zaidi cha modeli kubwa ya utambuzi wa sauti ya iFlytek, iliyotengenezwa kwa msingi wa modeli kubwa ya sauti ya Spark-Audio katika mfumo wa Spark. Modeli hii inatumia usanifu shirikishi wa "usawazishaji usio wa kujirudia + usawazishaji wa kujirudia ulioimarishwa na LLM", hivyo kuwezesha utambuzi katika hali changamano kama mchanganyiko wa Kichina na Kiingereza, lahaja, istilahi za kitaalamu, pamoja na sauti ndogo zenye kelele nyingi. Utendaji wake unazidi kiwango bora zaidi cha sekta, huku gharama ya uendeshaji ikiongezeka kwa asilimia 10 pekee. Modeli inaweza kuondoa kiotomatiki maneno yasiyo ya lazima ya mazungumzo, kuongeza alama za uakifishaji na kusawazisha uwasilishaji. Tayari imezinduliwa kwenye kibodi ya iFlytek na API yake imefunguliwa; baadaye itatumika katika vifaa kama miwani ya AI na daftari za ofisini.

Utambuzi mseto wa Kichina na Kiingereza: Utambuzi sahihi katika hali changamano za kuchanganya lugha, bila kuhitaji kubadili lugha.
Utambuzi wa lahaja bila kubadili mipangilio: Unaunga mkono lahaja za miji 202 nchini kote, ukibadili usemi kuwa maandishi kwa usahihi.
Utambuzi wa istilahi za kitaalamu: Uwezo wa kutambua istilahi ngumu za matibabu, kemia, teknolojia na nyanja nyingine umeimarika kwa kiasi kikubwa.
Utambuzi katika mazingira changamano ya sauti: Utendaji bora katika mazingira yenye kelele nyingi, sauti ndogo, kasi ya juu ya usemi na sauti za watoto, ukiwa bora kuliko kiwango cha juu zaidi cha sekta.
Utambuzi unaozingatia muktadha: Huunganisha historia ya utambuzi, rekodi za marekebisho na maneno maalum ili kutatua maneno yenye matamshi yanayofanana na utata wa maana.
Uboreshaji wa mtiririko na usanifishaji wa maandishi: Hupunguza kiotomatiki marudio yasiyo ya lazima, huondoa maneno ya kujaza, hukamilisha alama za uakifishaji na kusanifisha nambari, alama na vipimo, ili kutoa maandishi fasaha na yaliyokamilika.

Usanifu shirikishi wa kutotegemea autoregressive na utambuzi wa autoregressive ulioimarishwa na LLM: Inaendeleza mfumo wa kutotegemea autoregressive wa Spark-ASR-1.0, ikitoa mfuatano mzima wa maandishi kwa wakati mmoja kwa njia ya sambamba ili kuhakikisha ufanisi wa uendeshaji; wakati huo huo, utambuzi wa autoregressive ulioimarishwa na LLM huongezwa, na vipengele hivi viwili hushirikiana kuboresha usahihi wa jumla na uwezo wa kuelewa lugha.
Uboreshaji wa pamoja wa maandishi mchanganyiko ya Kichina na Kiingereza pamoja na sauti: Hujenga na kuboresha miundo ya kiwango cha maandishi na kiwango cha sauti kando, kisha hufanya uboreshaji wa pamoja, hivyo kuboresha kwa kiasi kikubwa utendaji wa modeli katika hali za jumla za utambuzi kama vile mchanganyiko wa Kichina na Kiingereza, lahaja na istilahi za kitaalamu.
Uingizaji wa muktadha unaobadilika: Wakati wa utambuzi, huunganisha kwa wakati halisi maudhui ya awali ya utambuzi ya mtumiaji, rekodi za marekebisho na taarifa za maneno maalum yaliyobinafsishwa, kisha hutumia muktadha wa sentensi zilizotangulia na zinazofuata kufanya uelewa na uamuzi, hivyo kupunguza kwa ufanisi upotoshaji wa utambuzi unaosababishwa na matamshi yanayochanganyika kwa urahisi na majina yanayofanana.
Kuendelezwa kwa uwezo wa modeli kubwa ya msingi wa sauti: Mfumo mzima umejengwa juu ya msingi wa sauti wa Spark-Audio-1.0-Preview, ukirithi ubora wake wa utambuzi katika mazingira changamano ya sauti, huku ukiboreshwa mahususi kwa usahihi na usanifishaji wa maandishi.

Njia ya kwanza: Jaribu mtandaoni
Njia ya pili: Kibodi ya Xunfei
Njia ya tatu: Muunganisho wa API (kwa wasanidi programu)
Fungua ukurasa wa kujaribu: Tembelea https://iflytekresearch.iflytek.com/experience/spark-asr
Weka au rekodi sauti: Zungumza moja kwa moja kwenye ukurasa au pakia faili la sauti ili kuona matokeo ya utambuzi kwa wakati halisi.
Pakua Kibodi ya Xunfei: Changanua msimbo wa QR au sakinisha toleo jipya zaidi la Kibodi ya Xunfei kutoka kwenye duka la programu.
Badili hadi uingizaji wa sauti: Kwenye kiolesura cha uingizaji, bofya ikoni ya maikrofoni, kisha bonyeza na ushikilie ili kuzungumza na kutumia Spark-ASR-2.0 kwa utambuzi.
Tembelea jukwaa la wazi: Ingia kwenye jukwaa la wazi la Xunfei https://www.xfyun.cn/services/spark_asr_zh_en_v2.0
Unda programu na upate funguo: Baada ya kusajili programu, pata maelezo ya uthibitishaji kama vile AppID na APIKey.
Itumie huduma ya API: Pitisha mtiririko wa sauti kulingana na nyaraka za kiolesura ili kuunganisha uwezo wa utambuzi kwenye programu yako.

Usahihi wa utambuzi unaoongoza katika sekta: Katika hali kama lahaja, kelele nyingi na sauti ya chini, utendaji ni bora kuliko kiwango bora zaidi cha sasa katika sekta, huku WER ikipungua kwa kiasi kikubwa.
Gharama ya chini sana ya uelekezaji: Licha ya uboreshaji mkubwa wa utendaji, gharama ya uelekezaji imeongezeka kwa 10% pekee ikilinganishwa na 1.0.
Usanifu bora usio wa kujirudia kiotomatiki: Hutoa mfuatano wa maandishi kwa wakati mmoja na kwa usambamba, ukichanganya usahihi wa juu na ufanisi wa uelekezaji.
Hushughulikia hali zote changamano: Hutambua kwa usahihi mchanganyiko wa Kichina na Kiingereza, lahaja za miji 202 bila kubadili mipangilio, istilahi za kitaalamu, usemi wa haraka na sauti za watoto.
Uelewa thabiti wa muktadha: Huchanganya historia ya utambuzi na maneno maalum ili kutofautisha maana kwa nguvu, na kushughulikia kwa usahihi maneno yenye matamshi sawa na majina yanayofanana.
Hutoa maandishi laini na yaliyo kamili: Huondoa kiotomatiki maneno ya kujaza, huongeza alama za uakifishaji, husanifisha nambari na alama, na kutoa moja kwa moja maandishi rasmi yaliyo nadhifu na yenye mtiririko.

Uingizaji wa simu: Kuandika kwa sauti katika Kibodi ya iFlytek, ukichanganya Kichina na Kiingereza au ukizungumza lahaja kwa uhuru; mfumo hubadilisha maneno kuwa maandishi yaliyokamilika kiotomatiki na kuyatuma moja kwa moja.
Rekodi za mikutano: Daftari la ofisini/iFlytek Hearing hubadilisha maudhui ya mikutano kuwa maandishi kwa wakati halisi; hata katika vyumba vya mikutano vyenye kelele nyingi, hutambua kwa usahihi na kuandaa nakala iliyosanifiwa.
Rekodi za nyanja maalumu: Rekodi za sauti za mijadala na mihadhara katika tiba, kemia na teknolojia, huku istilahi changamano zikibadilishwa kuwa maandishi kwa usahihi.
Mwingiliano na vifaa mahiri: Utambuzi wa maagizo ya sauti na mazungumzo katika vifaa kama miwani ya AI ya iFlytek na vifaa vya kutafsiri; hufanya kazi kwa uthabiti katika mazingira yenye sauti dhaifu.
Uunganishaji wa huduma za wasanidi: Kupitia API ya jukwaa huria, hutoa msingi wa utambuzi wenye usahihi wa juu na gharama ndogo kwa programu za biashara kama huduma kwa wateja, uundaji wa manukuu na uingizaji wa sauti.