Hy ASR 3.0 preview – Tencent Hunyuan کا پیش کردہ نئی نسل کا اسپیچ ریکگنیشن ماڈل آپریشن میں

Hy ASR 3.0 preview، Tencent Hunyuan کا پیش کردہ نئی نسل کا اسپیچ ریکگنیشن ماڈل ہے، جو Hy3 بڑے زبان ماڈل پر مبنی ہے اور اعلیٰ درستگی والی آواز کی شناخت کو گہری معنوی سمجھ کے ساتھ یکجا کرتا ہے۔ یہ ماڈل چینی، انگریزی، کینٹونیز اور 10 بڑی بولی کے علاقوں کو سپورٹ کرتا ہے، اور سیاق و سباق پر مبنی ذہین تصحیح، اہم الفاظ کی شمولیت، نیز زیادہ شور اور سرگوشی جیسے پیچیدہ حالات میں مضبوط کارکردگی فراہم کرتا ہے۔ اوپن سورس تشخیصی ڈیٹا سیٹ پر WER تقریباً 3% تک محدود ہے، جبکہ خود تیار کردہ تشخیصی ڈیٹا سیٹ پر یہ تمام حریفوں سے بہتر کارکردگی دکھاتا ہے۔

عمومی اور درست شناخت: چینی مینڈرن، انگریزی، کینٹونیز اور چینی-انگریزی ملی جلی گفتگو کو سپورٹ کرتا ہے، جس سے غلط یا چھوٹے ہوئے حروف اور طویل آڈیو میں غلطیوں کے جمع ہونے میں کمی آتی ہے۔
سیاقی معنوی سمجھ: Context کے ساتھ صارف کے سیاق و سباق کو درست طور پر سمجھتا، ہم صوت الفاظ کی ذہین تصحیح کرتا اور معنوی ابہام دور کرتا ہے۔
اہم الفاظ کے لیے موافقت: برانڈ ناموں، افراد کے ناموں اور صنعتی اصطلاحات جیسے اہم الفاظ کو تقویت دینے کی معاونت، جس سے کاروباری انضمام اور دیکھ بھال کی لاگت کم ہوتی ہے۔
پیچیدہ ماحول میں مضبوط کارکردگی: زیادہ شور، سرگوشی اور دھیمی گفتگو جیسے صوتی حالات کے لیے خصوصی طور پر بہتر بنایا گیا ہے، جس سے مستحکم شناخت برقرار رہتی ہے۔
بولیوں کی وسیع کوریج: 10 بڑی بولی کے علاقوں اور 20 سے زیادہ ثانوی ذیلی علاقوں کو سپورٹ کرتا ہے، جن میں شمال مشرقی مینڈرن، کینٹونیز، وو اور جنوبی من شامل ہیں۔

فن تعمیر میں اپ گریڈ: MoE فن تعمیر استعمال کرتا ہے اور بنیادی ماڈل کو Hy3 تک اپ گریڈ کیا گیا ہے؛ خود تیار کردہ غیر زیر نگرانی اسپیچ Encoder کو کروڑوں گھنٹوں کے صوتی ڈیٹا پر تربیت دی گئی ہے تاکہ اعلیٰ معیار کی صوتی نمائندگی اخذ کی جا سکے۔
پری ٹریننگ Scaling: Encoder اور LLM کی مشترکہ تربیت کی جاتی ہے، جس میں متعدد ذرائع سے حاصل کردہ کروڑوں گھنٹوں کا صوتی ڈیٹا، مثلاً آڈیو بکس، مکالمے اور ویڈیو یا ریڈیو، شامل ہے۔ متعدد مراحل میں صلاحیتیں شامل کرکے بولیوں کی سمجھ اور سیاقی ماڈلنگ کی صلاحیت حاصل کی جاتی ہے۔
بعد از تربیت بہتری: پیچیدہ آڈیو، Any Context سیاق و سباق اور عمومی صلاحیتوں کا احاطہ کرنے والا اعلیٰ معیار کا SFT Recipe تیار کیا گیا ہے؛ متعدد مراحل کی reinforcement learning کے ذریعے عمومی نقل نویسی کی درستگی، سیاقی طویل مدتی انحصار اور پیچیدہ کم وقوع پذیر حالات کی کارکردگی کو الگ الگ بہتر بنایا جاتا ہے۔

Tencent Cloud API کے ذریعے مربوط ہوں یا Tencent Yuanbao کھول کر بٹن دبا کر بات کریں، اور مفت تجربہ حاصل کریں۔

معنوی سمجھ میں بہتری: Hy3 بڑے زبان ماڈل کی بنیاد پر اعلیٰ درستگی والی آواز کی شناخت اور گہری معنوی سمجھ کو یکجا کرتا ہے، اور حرف بہ حرف نقل نویسی سے سیاق کو سمجھنے اور ایک کلک پر براہ راست نتیجہ فراہم کرنے تک ارتقا پذیر ہے۔
تشخیص میں جامع برتری: اوپن سورس تشخیصی ڈیٹا سیٹ پر WER تقریباً 3% ہے، جبکہ خود تیار کردہ تشخیصی ڈیٹا سیٹ پر عمومی شناخت، بولیوں، سیاق و سباق اور پیچیدہ صوتی حالات میں حریفوں سے بہتر کارکردگی دکھاتا ہے۔
سیاقی ذہین تصحیح: Context کے ساتھ سیاق و سباق کو درست طور پر سمجھتا، ہم صوت الفاظ کی ذہین تصحیح کرتا، معنوی ابہام دور کرتا اور طویل مدتی انحصار کی ماڈلنگ کو سپورٹ کرتا ہے۔
اہم الفاظ کے لیے فوری موافقت: برانڈ ناموں، افراد کے ناموں اور صنعتی اصطلاحات جیسے اہم الفاظ شامل کرنے کی معاونت، جس سے پیشہ ورانہ حالات میں کاروباری انضمام اور دیکھ بھال کی لاگت کم ہوتی ہے۔
بولیوں اور پیچیدہ ماحول کی کوریج: 10 بڑی بولی کے علاقوں اور 20 سے زیادہ ثانوی ذیلی علاقوں کو سپورٹ کرتا ہے، اور زیادہ شور یا سرگوشی جیسے پیچیدہ صوتی ماحول میں مستحکم کارکردگی برقرار رکھتا ہے۔

ذہین کسٹمر سروس: ٹیلی فون اور آن لائن کسٹمر سروس کے حالات میں، Hy ASR 3.0 preview اہم الفاظ کی شمولیت کے ذریعے برانڈ ناموں اور کاروباری اصطلاحات کو درست طور پر شناخت کرتا ہے، صوتی گفتگو کو حقیقی وقت میں تحریر میں تبدیل کرتا ہے اور سروس کے ردعمل کی کارکردگی نمایاں طور پر بہتر بناتا ہے۔
مواد تخلیق: پوڈکاسٹ، اجلاس اور انٹرویوز جیسے طویل آڈیو مواد کی تیاری میں، ماڈل سیاقی معنوی سمجھ کے ذریعے ابہام کو ذہین انداز میں دور کرتا ہے اور ایک کلک پر مربوط، قابل مطالعہ اعلیٰ معیار کا متن تیار کرتا ہے، جس سے بعد از تدوین لاگت کم ہوتی ہے۔
صوتی تلاش: صارفین کو بولیوں میں صوتی سوالات کرنے کی اجازت دیتا ہے اور شور والے ماحول میں صوتی احکامات کو درست طور پر شناخت کرتا ہے، جس سے متعدد زبانیں اور لہجے بولنے والے صارفین کے لیے ان پٹ کی رکاوٹ کم ہوتی ہے۔
دفتری تعاون: اجلاس کے منٹس کو حقیقی وقت میں تحریر میں تبدیل کرنے کے دوران، سرگوشی اور دھیمی گفتگو جیسے کم حجم والے ان پٹ کا سامنا ہونے پر بھی ماڈل مستحکم شناخت برقرار رکھتا ہے، جس سے ٹیم کو مؤثر مواصلات اور معلومات کے بہتر ذخیرے میں مدد ملتی ہے۔
ذہین ٹرمینلز: گاڑیوں کے نیویگیشن اور ذہین گھریلو آلات جیسے IoT ڈیوائسز کے باہمی تعامل میں، ماڈل کو زیادہ شور والے صوتی ماحول کے لیے خصوصی طور پر بہتر بنایا گیا ہے، تاکہ پیچیدہ حالات میں صوتی شناخت کی مضبوطی اور صارف کے تجربے کو یقینی بنایا جا سکے۔