Hy ASR 3.0 preview – Tencent Hunyuan tomonidan taqdim etilgan yangi avlod nutqni tanib olish modeli Faoliyat yuritmoqda

Hy ASR 3.0 preview — Tencent Hunyuan tomonidan taqdim etilgan yangi avlod nutqni tanib olish modeli bo‘lib, Hy3 katta til modeliga asoslangan va yuqori aniqlikdagi nutqni tanib olishni chuqur semantik tushunish bilan birlashtiradi. Model xitoy tili, ingliz tili, kanton tili va 10 ta yirik sheva hududini qo‘llab-quvvatlaydi, kontekst asosida aqlli tuzatish, muhim so‘zlarni kiritish hamda kuchli shovqin va pichirlash kabi murakkab sharoitlarda barqaror ishlash imkoniyatiga ega. Ochiq baholash to‘plamida WER taxminan 3% darajasida saqlanadi, maxsus tuzilgan baholash to‘plamida esa raqobatchilardan har tomonlama ustun.

Umumiy va aniq tanib olish: Xitoy putunxuasi, ingliz tili, kanton tili hamda xitoycha-inglizcha aralash nutqni qo‘llab-quvvatlaydi, noto‘g‘ri yoki tushib qolgan belgilarni va uzun audio yozuvlardagi xatolar yig‘ilishini kamaytiradi.
Kontekstual semantik tushunish: Context yordamida foydalanuvchi nutqining mazmunini aniq anglaydi, bir xil talaffuz qilinadigan so‘zlarni aqlli tarzda tuzatadi va semantik noaniqlikni bartaraf etadi.
Muhim so‘zlarni kiritishga moslashuv: Brend nomlari, shaxs ismlari va soha atamalari kabi muhim so‘zlarni kuchaytirishni qo‘llab-quvvatlaydi, biznes tizimlariga ulash va texnik xizmat ko‘rsatish xarajatlarini kamaytiradi.
Murakkab muhitlarda barqarorlik: Kuchli shovqin, pichirlash va past ovozda gapirish kabi akustik sharoitlar uchun maxsus optimallashtirilgan bo‘lib, barqaror tanib olish natijasini saqlaydi.
Shevalarning keng qamrovi: 10 ta yirik sheva hududi va 20 dan ortiq ikkilamchi kichik hududni, jumladan, shimoli-sharqiy mandarin, kanton, vu va minnan tillarini qo‘llab-quvvatlaydi.

Arxitekturani yangilash: MoE arxitekturasidan foydalanadi, bazaviy model Hy3’gacha yangilangan. Ichki ishlab chiqilgan nazoratsiz nutq Encoder’i o‘nlab million soatlik nutq ma’lumotlari asosida o‘qitilib, yuqori sifatli akustik tasvirlarni ajratib oladi.
Pretraining Scaling: Encoder va LLM birgalikda o‘qitiladi. Audiokitoblar, suhbatlar, video va radio kabi turli manbalardan olingan o‘nlab million soatlik nutq ma’lumotlari kiritilib, ko‘p bosqichli qobiliyatlarni singdirish orqali shevalarni tushunish va kontekstni modellashtirish imkoniyatlari hosil qilinadi.
Post-training kuchaytirish: Murakkab audio, Any Context konteksti va umumiy qobiliyatlarni qamrab oluvchi yuqori sifatli SFT Recipe yaratiladi. Ko‘p bosqichli reinforcement learning orqali umumiy transkripsiya aniqligi, kontekstning uzoq muddatli bog‘liqligi va murakkab kam uchraydigan holatlardagi natijalar alohida optimallashtiriladi.

Tencent Cloud API orqali ulaning yoki Tencent Yuanbao’ni ochib, gapirish tugmasini bosib turing — xizmatni bepul sinab ko‘rishingiz mumkin.

Semantik tushunishning yangilanishi: Hy3 katta til modeliga asoslanib, yuqori aniqlikdagi nutqni tanib olish va chuqur semantik tushunishni birlashtiradi; so‘zma-so‘z transkripsiyadan kontekstni anglash va natijani bir zumda tayyorlash bosqichiga o‘tadi.
Baholashda har tomonlama ustunlik: Ochiq baholash to‘plamida WER taxminan 3% darajasida saqlanadi, maxsus tuzilgan baholash to‘plamida esa umumiy nutq, shevalar, kontekst va murakkab akustik sharoitlarda raqobatchilardan ustun.
Kontekst asosida aqlli tuzatish: Context yordamida kontekstni aniq anglaydi, bir xil talaffuz qilinadigan so‘zlarni aqlli tarzda tuzatadi, semantik noaniqlikni bartaraf etadi va uzoq muddatli bog‘liqlikni modellashtirishni qo‘llab-quvvatlaydi.
Muhim so‘zlarga tez moslashish: Brend nomlari, shaxs ismlari va soha atamalari kabi muhim so‘zlarni kiritishni qo‘llab-quvvatlaydi, professional sohalarda tizimga ulash va texnik xizmat ko‘rsatish xarajatlarini kamaytiradi.
Shevalar va murakkab muhitlarni qamrab olish: 10 ta yirik sheva hududi va 20 dan ortiq ikkilamchi kichik hududni qo‘llab-quvvatlaydi, kuchli shovqin va pichirlash kabi murakkab akustik muhitlarda ham barqaror ishlaydi.

Aqlli mijozlarga xizmat ko‘rsatish: Telefon va onlayn xizmat ko‘rsatish sharoitlarida Hy ASR 3.0 preview muhim so‘zlarni kiritish orqali brend nomlari va biznes atamalarini aniq taniydi, nutqni real vaqt rejimida transkripsiya qiladi va xizmat ko‘rsatish tezligini sezilarli oshiradi.
Kontent yaratish: Podkast, yig‘ilish va intervyu kabi uzun audio kontentlarni tayyorlashda model kontekstual semantik tushunish yordamida noaniqliklarni aqlli tarzda bartaraf etadi, bir tugma bilan izchil va o‘qishga qulay yuqori sifatli matn yaratadi hamda keyingi tahrirlash xarajatlarini kamaytiradi.
Ovozli qidiruv: Foydalanuvchilarga sheva orqali so‘rov yuborish imkonini beradi va shovqinli muhitda ovozli buyruqlarni aniq taniydi, ko‘p tilli va turli aksentli foydalanuvchilar uchun kiritish to‘sig‘ini kamaytiradi.
Ofis hamkorligi: Yig‘ilish bayonnomasini real vaqt rejimida transkripsiya qilishda, hatto pichirlash yoki juda past ovozdagi nutq kabi signallar bilan ishlaganda ham model barqaror tanib olishni saqlaydi va jamoaga samarali muloqot hamda ma’lumotlarni jamlashda yordam beradi.
Aqlli qurilmalar: Avtomobil navigatsiyasi va aqlli uy kabi IoT qurilmalari bilan muloqotda model kuchli shovqinli akustik muhitlar uchun maxsus optimallashtirilgan bo‘lib, murakkab sharoitlarda nutqni tanib olish barqarorligi va foydalanuvchi tajribasini ta’minlaydi.