Spark-ASR-2.0 Faoliyat yuritmoqda

Spark-ASR-2.0 — iFlytek kompaniyasining Spark-Audio yulduzli ovoz bazaviy katta modeli asosida ishlab chiqilgan eng yangi avlod nutqni tanish katta modelidir. Model "autoregressiv bo‘lmagan + LLM bilan kuchaytirilgan autoregressiv" hamkorlikdagi arxitekturadan foydalanadi va xitoycha-inglizcha aralash nutq, shevalar, professional atamalar, yuqori shovqin va past ovoz balandligi kabi murakkab holatlarni taniy oladi. Uning natijalari sohadagi eng ilg‘or darajadan yuqori, xulosa chiqarish xarajatlari esa atigi 10% ga oshadi. Model parazit so‘zlarni avtomatik olib tashlashi, tinish belgilarini qo‘shishi va ifodani me’yorlashtirishi mumkin. U allaqachon iFlytek kiritish usulida ishga tushirilgan va API taqdim etilgan; kelgusida AI ko‘zoynaklari, aqlli ofis qurilmalari kabi terminallarda ham joriy etiladi.

Xitoycha va inglizcha aralash nutqni tanish: murakkab aralash nutq sharoitlarida tillarni almashtirmasdan aniq taniydi.
Shevalarni almashtirmasdan tanish: mamlakat bo‘ylab 202 ta shaharning shevalarini qo‘llab-quvvatlaydi, erkin gapiring va aniq matnga aylantiring.
Professional atamalarni tanish: tibbiyot, kimyo, texnologiya kabi talaffuzi murakkab atamalarni tanish qobiliyati sezilarli darajada yaxshilangan.
Murakkab akustik sharoitlarda tanish: yuqori shovqin, past ovoz balandligi, tez nutq, bolalar nutqi kabi sharoitlarda a’lo natija ko‘rsatib, sohadagi eng yuqori darajadan ustun turadi.
Kontekstni tanish: bir xil talaffuz qilinadigan so‘zlar va ma’no noaniqliklarini bartaraf etish uchun tanish tarixi, tahrirlash yozuvlari va muhim so‘zlarni birlashtiradi.
Matnni ravon va me’yoriy shaklga keltirish: ortiqcha so‘zlarni avtomatik qisqartiradi, og‘zaki to‘ldiruvchi so‘zlarni olib tashlaydi, tinish belgilarini to‘ldiradi, raqamlar, belgilar va o‘lchov birliklarini me’yorlashtiradi hamda matnni ravon shaklga keltiradi.

Norekursiv va LLM bilan kuchaytirilgan rekursiv arxitekturalarning hamkorligi: Spark-ASR-1.0 ning norekursiv paradigmasi davom ettirilib, butun matn ketma-ketligi bir vaqtning o‘zida parallel tarzda chiqariladi va inferensiya samaradorligi ta’minlanadi; shu bilan birga, LLM bilan kuchaytirilgan rekursiv tanib olish joriy etilib, ikki yondashuvning hamkorligi orqali umumiy aniqlik va tilni tushunish qobiliyati oshiriladi.
Xitoycha va inglizcha aralash matnni akustik jihatdan birgalikda kuchaytirish: matn va akustika darajalari alohida modellashtirilib kuchaytiriladi, so‘ngra birgalikda optimallashtiriladi. Natijada model xitoycha va inglizcha aralash nutq, shevalar, maxsus atamalar kabi umumiy tanib olish holatlarida sezilarli darajada yaxshilanadi.
Dinamik kontekstni kiritish: tanib olish jarayonida foydalanuvchining avvalgi tanib olingan mazmuni, tahrirlash yozuvlari va shaxsiylashtirilgan muhim so‘zlar haqidagi ma’lumotlar real vaqt rejimida birlashtiriladi. Oldingi va keyingi gaplar konteksti bilan birga tahlil qilinib, oson chalkashadigan talaffuzlar va o‘xshash atamalar keltirib chiqaradigan tanib olish xatolari samarali bartaraf etiladi.
Nutq bazaviy katta modelining imkoniyatlarini davom ettirish: tizim umumiy jihatdan Spark-Audio-1.0-Preview nutq bazaviy modeli asosida qurilgan va uning murakkab akustik sharoitlarda tanib olish afzalliklarini meros qilib oladi. Shu asosda aniqlik va matnning me’yoriyligi uchun maxsus optimallashtirishlar amalga oshirilgan.

1-usul: Onlayn sinab ko‘rish
2-usul: iFlytek klaviaturasi
3-usul: API orqali ulash (dasturchilar uchun)
Sinash sahifasini oching: https://iflytekresearch.iflytek.com/experience/spark-asr manziliga kiring
Ovoz kiriting yoki yozib oling: sahifada to‘g‘ridan-to‘g‘ri gapiring yoki audio yuklang, shunda tanib olish natijasini real vaqt rejimida ko‘rishingiz mumkin.
iFlytek klaviaturasini yuklab oling: QR-kodni skanerlang yoki ilovalar do‘konidan iFlytek klaviaturasining eng so‘nggi versiyasini o‘rnating.
Ovozli kiritishga o‘ting: kiritish interfeysida mikrofon belgisini bosing va gapirish uchun bosib turing, shunda Spark-ASR-2.0 orqali tanib olishdan foydalanishingiz mumkin.
Ochiq platformaga kiring: https://www.xfyun.cn/services/spark_asr_zh_en_v2.0 manzilidagi iFlytek ochiq platformasiga kiring
Ilova yarating va kalitlarni oling: ilovani ro‘yxatdan o‘tkazgandan so‘ng AppID, APIKey kabi autentifikatsiya ma’lumotlarini oling.
API xizmatidan foydalaning: interfeys hujjatlariga muvofiq audio oqimini yuboring va tanib olish imkoniyatini o‘z ilovangizga integratsiya qiling.

Tanib olish sifati sohada yetakchi: shevalar, yuqori shovqin, past ovoz balandligi kabi sharoitlarda amaldagi eng yaxshi sanoat darajasidan ustun, WER sezilarli darajada kamaygan.
Inferensiya xarajati nihoyatda past: sifat keskin yaxshilanganiga qaramay, inferensiya xarajati 1.0 versiyasiga nisbatan atigi 10% ga oshadi.
Yuqori samarali noregressiv arxitektura: matn ketma-ketligini bir martada parallel tarzda chiqaradi, yuqori aniqlik va inferensiya samaradorligini ta’minlaydi.
Murakkab holatlarni to‘liq qamrab oladi: xitoycha va inglizcha aralash nutq, 202 ta shahar shevasini almashtirishsiz tanib olish, professional atamalar, tez nutq va bolalar nutqi aniq taniladi.
Kuchli kontekstni tushunish: tanib olish tarixi va mashhur so‘zlarni birlashtirib, dinamik noaniqlikni bartaraf etadi hamda omofonlar va o‘xshash nomlarni aniq ajratadi.
Ravon matn ko‘rinishida chiqarish: og‘zaki nutqqa xos keraksiz so‘zlarni avtomatik olib tashlaydi, tinish belgilarini qo‘shadi, raqam va belgilarni standartlashtiradi hamda bevosita tartibli, izchil rasmiy matnni taqdim etadi.

Mobil kiritish: iFlytek klaviaturasida ovozli yozish, xitoy va ingliz tillarini aralashtirib gapirish, shevada erkin so‘zlash, matnni avtomatik ravishda ravon shakllantirib, bevosita yuborish mumkin.
Yig‘ilish bayonnomasi: OfficeBook/iFlytek Hearing qurilmalarida yig‘ilish mazmunini real vaqt rejimida transkripsiya qilish, shovqinli yig‘ilish xonalarida ham aniq tanib olish va matnni standart shaklga keltirish.
Professional sohalardagi qaydlar: tibbiyot, kimyo va texnologiya sohalaridagi muhokamalar hamda ma’ruzalarni ovozli qayd etish, murakkab terminlarni aniq transkripsiya qilish.
Aqlli qurilmalar bilan o‘zaro aloqa: iFlytek AI ko‘zoynaklari, tarjimon qurilmalar va boshqa uskunalardagi ovozli buyruqlar hamda dialoglarni tanib olish, past ovozli muhitlarda ham barqaror ishlash.
Ishlab chiquvchilar biznesiga integratsiya: ochiq platforma API orqali mijozlarga xizmat ko‘rsatish, subtitr yaratish, ovozli kiritish kabi korporativ ilovalar uchun yuqori aniqlik va past xarajatli nutqni tanish bazasini taqdim etish.