Spark-ASR-2.0 آپریشن میں

Spark-ASR-2.0، iFlytek کے Spark-Audio اسٹار فائر اسپیچ بیس ماڈل پر مبنی جدید ترین نسل کا اسپیچ ریکگنیشن بڑا ماڈل ہے۔ یہ ماڈل ”نان آٹو ریگریسیو + LLM سے تقویت یافتہ آٹو ریگریسیو“ اشتراکی فنِ تعمیر استعمال کرتا ہے، جس کے ذریعے چینی اور انگریزی کے امتزاج، لہجوں، خصوصی اصطلاحات، زیادہ شور اور کم آواز جیسے پیچیدہ منظرناموں میں شناخت ممکن ہوتی ہے۔ اس کی کارکردگی صنعت کی بہترین سطح سے بھی بہتر ہے، جبکہ استدلال کی لاگت میں صرف 10% اضافہ ہوتا ہے۔ یہ ماڈل خودکار طور پر تکلم کی غیر ضروری عادات حذف، رموزِ اوقاف شامل اور اظہار کو معیاری بنا سکتا ہے۔ اسے iFlytek ان پٹ میتھڈ میں لانچ کر دیا گیا ہے اور API بھی دستیاب ہے؛ مستقبل میں اسے AI چشموں، اسمارٹ آفس نوٹ بکس اور دیگر ٹرمینلز میں نافذ کیا جائے گا۔

چینی اور انگریزی کی مخلوط شناخت: پیچیدہ مخلوط زبان والے منظرناموں میں درست شناخت، زبان تبدیل کرنے کی ضرورت نہیں۔
لہجوں کی بغیر تبدیلی شناخت: ملک بھر کے 202 شہروں کے لہجوں کو سپورٹ کرتا ہے، بے جھجھک بولیں اور درست تبدیلی حاصل کریں۔
پیشہ ورانہ اصطلاحات کی شناخت: طب، کیمیا، ٹیکنالوجی اور دیگر مشکل اصطلاحات کی شناخت میں نمایاں بہتری۔
پیچیدہ صوتی ماحول میں شناخت: زیادہ شور، کم آواز، تیز رفتار گفتگو اور بچوں کی آواز جیسے منظرناموں میں شاندار کارکردگی، جو صنعت کے بہترین معیار سے بہتر ہے۔
سیاق و سباق کی شناخت: شناخت کی تاریخ، ترمیمی ریکارڈ اور مقبول الفاظ کو یکجا کرکے ہم صوت الفاظ اور معنوی ابہام کو دور کرتا ہے۔
متن کی روانی اور معیار بندی: غیر ضروری مواد خودکار طور پر مختصر کرتا ہے، تکیہ کلام ہٹاتا ہے، رموزِ اوقاف مکمل کرتا ہے، اعداد، علامات اور اکائیوں کو معیاری بناتا ہے، تاکہ متن رواں اور بامحاورہ ہو۔

غیر خود بازگشتی اور LLM سے تقویت یافتہ خود بازگشتی کا مشترکہ ڈھانچہ: Spark-ASR-1.0 کے غیر خود بازگشتی طریقۂ کار کو برقرار رکھتے ہوئے پوری متنی ترتیب کو ایک ہی بار متوازی طور پر آؤٹ پٹ کیا جاتا ہے، جس سے استدلال کی کارکردگی یقینی بنتی ہے؛ ساتھ ہی LLM سے تقویت یافتہ خود بازگشتی شناخت متعارف کرائی گئی ہے۔ دونوں کی باہمی معاونت سے مجموعی درستگی اور زبان فہمی کی صلاحیت بہتر ہوتی ہے۔
چینی، انگریزی مخلوط متن اور صوتی خصوصیات کی مشترکہ تقویت: متنی اور صوتی سطحوں کے لیے الگ الگ ماڈلنگ اور تقویت کی جاتی ہے، پھر مشترکہ اصلاح کی جاتی ہے، جس سے چینی، انگریزی مخلوط زبان، لہجوں، تخصصی اصطلاحات اور دیگر عمومی شناختی منظرناموں میں ماڈل کی کارکردگی نمایاں طور پر بہتر ہوتی ہے۔
متحرک سیاق و سباق کا اندراج: شناخت کے دوران صارف کے سابقہ شناختی مواد، ترمیمی ریکارڈ اور ذاتی نوعیت کے کلیدی الفاظ کی معلومات کو حقیقی وقت میں شامل کیا جاتا ہے، اور پچھلے و اگلے جملوں کے سیاق و سباق کے ساتھ ملا کر مفہوم کا تعین کیا جاتا ہے، جس سے آسانی سے خلط ملط ہونے والے تلفظ اور مماثل اسماء کے باعث پیدا ہونے والی شناختی غلطیوں کو مؤثر طور پر کم کیا جاتا ہے۔
بڑے صوتی بنیادی ماڈل کی صلاحیتوں کا تسلسل: مجموعی نظام Spark-Audio-1.0-Preview صوتی بنیادی ماڈل پر قائم ہے اور پیچیدہ صوتی منظرناموں میں اس کی شناختی برتری کو برقرار رکھتا ہے؛ اسی بنیاد پر درستگی اور متنی معیار کے لیے خصوصی اصلاح کی گئی ہے۔

طریقہ 1: آن لائن تجربہ
طریقہ 2: ژونگ شِن فلائی ان پٹ میتھڈ
طریقہ 3: API انٹیگریشن (ڈیولپرز)
تجربے کا صفحہ کھولیں: https://iflytekresearch.iflytek.com/experience/spark-asr ملاحظہ کریں
آواز درج کریں یا ریکارڈ کریں: صفحے پر براہِ راست بولیں یا آڈیو اپ لوڈ کریں، شناخت کے نتائج حقیقی وقت میں دیکھے جا سکتے ہیں۔
ژونگ شِن فلائی ان پٹ میتھڈ ڈاؤن لوڈ کریں: QR کوڈ اسکین کریں یا ایپ اسٹور سے ژونگ شِن فلائی ان پٹ میتھڈ کا تازہ ترین ورژن انسٹال کریں۔
وائس ان پٹ پر سوئچ کریں: ان پٹ انٹرفیس میں مائیکروفون آئیکن پر کلک کریں، پھر بولنے کے لیے دبائے رکھیں تاکہ Spark-ASR-2.0 سے شناخت کی جا سکے۔
اوپن پلیٹ فارم ملاحظہ کریں: ژونگ شِن فلائی اوپن پلیٹ فارم https://www.xfyun.cn/services/spark_asr_zh_en_v2.0 میں لاگ اِن کریں
ایپلیکیشن بنائیں اور کلید حاصل کریں: ایپلیکیشن رجسٹر کرنے کے بعد AppID، APIKey اور دیگر تصدیقی معلومات حاصل کریں۔
API سروس کال کریں: انٹرفیس دستاویزات کے مطابق آڈیو اسٹریم بھیجیں، پھر اپنی ایپلیکیشن میں شناخت کی صلاحیت شامل کی جا سکتی ہے۔

شناخت کی کارکردگی صنعت میں نمایاں: لہجوں، زیادہ شور اور کم آواز جیسے حالات میں موجودہ صنعتی بہترین معیار سے بہتر، WER میں نمایاں کمی۔
انتہائی کم تخمینی لاگت: کارکردگی میں نمایاں بہتری کے ساتھ، 1.0 کے مقابلے میں تخمینی لاگت میں صرف 10% اضافہ۔
غیر خودکار بازگشتی مؤثر معماری: متوازی طور پر ایک ہی بار متنی سلسلہ تیار کرتی ہے، اعلیٰ درستگی اور تخمینی کارکردگی دونوں کو برقرار رکھتی ہے۔
پیچیدہ حالات کی مکمل معاونت: چینی اور انگریزی کے امتزاج، 202 شہروں کے لہجوں کے درمیان بغیر تبدیلی، پیشہ ورانہ اصطلاحات، تیز رفتار گفتگو اور بچوں کی آوازوں کو بھی درست طور پر شناخت کرتی ہے۔
مضبوط سیاقی فہم: شناخت کی سابقہ معلومات اور مقبول الفاظ کو یکجا کرکے متحرک ابہام دور کرتی ہے، ہم صوت الفاظ اور مماثل اسماء کو درست طور پر سنبھالتی ہے۔
رواں تحریری آؤٹ پٹ: خودکار طور پر تکلمی بھراؤ والے الفاظ حذف کرتی ہے، رموزِ اوقاف شامل کرتی ہے، اعداد و علامتوں کو معیاری بناتی ہے اور براہِ راست منظم و مربوط رسمی متن تیار کرتی ہے۔

موبائل ان پٹ: iFlytek ان پٹ میتھڈ میں آواز کے ذریعے ٹائپنگ، چینی اور انگریزی کو ملا کر یا مختلف لہجوں میں آزادانہ بولیں، اور متن خودکار طور پر رواں جملوں میں تبدیل ہو کر براہِ راست بھیجا جا سکتا ہے۔
اجلاس کی روداد: آفس بُک یا iFlytek سنیں پر اجلاس کے مواد کو حقیقی وقت میں تحریر میں تبدیل کریں؛ زیادہ شور والے اجلاس کے کمروں میں بھی درست شناخت اور معیاری مسودہ تیار کیا جا سکتا ہے۔
پیشہ ورانہ شعبوں کی ریکارڈنگ: طب، کیمیا اور ٹیکنالوجی کے شعبوں میں مباحثوں اور لیکچرز کی صوتی ریکارڈنگ، پیچیدہ اصطلاحات کی درست تحریری صورت کے ساتھ۔
ذہین ہارڈویئر کے ساتھ تعامل: iFlytek AI چشموں، مترجم آلات اور دیگر ڈیوائسز میں صوتی احکامات اور مکالموں کی شناخت، کم آواز والے ماحول میں بھی مستحکم کارکردگی۔
ڈیولپرز کے کاروباری انضمام: اوپن پلیٹ فارم API کے ذریعے کسٹمر سروس، سب ٹائٹل سازی، صوتی اندراج اور دیگر کاروباری ایپلی کیشنز کے لیے زیادہ درستگی اور کم لاگت پر مبنی شناختی سہولت فراہم کریں۔