علی بابا نے آج اسپیچ ریکگنیشن کا بڑا ماڈل Qwen-Audio-3.0-ASR-Flash جاری کیا۔ سادہ الفاظ میں، اس کا مقصد AI کو پیشہ ورانہ اصطلاحات بہتر طور پر سمجھنے کے قابل بنانا ہے۔
Qwen-Audio-3.0-ASR-Flash نے بنیادی طور پر سیاق و سباق کی مطابقت، صنعتی اصطلاحات کی شناخت اور اہم الفاظ کی تخصیص، ان تین جہتوں میں جامع بہتری کی ہے۔ اس کے ساتھ ماڈل میں تقریر کو بہتر بنانے کی صلاحیت بھی شامل کی گئی ہے، جس کے ذریعے یہ براہِ راست منظم متن تیار کر سکتا ہے۔
تحقیقی ٹیم نے طب، IT پروگرامنگ، اسٹاکس اور سماجی شخصیات سمیت مختلف شعبوں سے پیشہ ورانہ اصطلاحات مسلسل جمع کیں اور متعدد صنعتوں کا احاطہ کرنے والی اعلیٰ معیار کی لغت تیار کی۔ اس سے ماڈل کی پیشہ ورانہ اصطلاحات اور کم استعمال ہونے والے الفاظ کی شناخت کی صلاحیت مضبوط ہوئی ہے۔ صنعتوں کی اصطلاحات کے تازہ داخلی جائزے میں، نئے ماڈل نے تمام شعبوں کی پیشہ ورانہ اصطلاحات کی “درست سماعت کی شرح” میں نمایاں بہتری دکھائی، جبکہ طبی منظرناموں میں یہ شرح 95.36% سے بھی تجاوز کر گئی۔
فی الحال، Qwen-Audio-ASR-Flash سیریز نے اجلاس کی کارروائی مرتب کرنے، حقیقی وقت کے سب ٹائٹلز، تعلیمی ریکارڈ شدہ لیکچرز اور ذہین کسٹمر سروس جیسے منظرناموں میں اپنی صلاحیت ثابت کی ہے۔ اس نے AI جائزہ پلیٹ فارم Artificial Analysis پر 1.7% کی غلط حروف کی شرح کے ساتھ عالمی سطح پر پہلی پوزیشن حاصل کی تھی۔
Qwen-Audio-3.0-ASR—— اب علی بابا کلاؤڈ بیلین پلیٹ فارم کے ذریعے دستیاب ہے، اور اس کے تین ورژن فراہم کیے گئے ہیں:
Qwen-Audio-3.0-ASR-Flash：اسپیچ ریکگنیشن، زیادہ سے زیادہ 5 منٹ
Qwen-Audio-3.0-ASR-Filetrans：آف لائن فائل ٹرانسکرپشن
Qwen-Audio-3.0-ASR-Streaming：حقیقی وقت میں اسپیچ ریکگنیشن
Qwen-Audio-3.0-ASR-Flash کا تجرباتی لنک درج ذیل ہے:
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