AI kalbos transkripcijos įrankiai ruošiasi kur kas konkurencingiau su „Alibaba“ „Qwen“ komanda, traukiančia „Qwen3-ASR-Flash“ modelio atidengimą.
Pastatytas pagal galingą „Qwen3-omni“ intelektą ir išmokytas naudojant masinį duomenų rinkinį su dešimtimis milijonų valandų kalbos duomenų, tai nėra tik dar vienas AI kalbos atpažinimo modelis. Komanda sako, kad ji skirta užtikrinti labai tikslų našumą, net susidūrus su kebliomis akustinėmis aplinkomis ar sudėtingais kalbos modeliais.
Taigi, kaip tai kyla prieš varžybas? Iš testų, atliktų 2025 m. Rugpjūčio mėn., Rodo, kad tai yra gana įspūdingi.
Atliekant viešą standartinio kinų testą, „QWEN3-ASR-Flash“ pasiekė tik 3,97 proc. Klaidų lygį, palikdamas konkurentus, tokius kaip „Gemini-2.5-Pro“ (8,98%) ir GPT4-perlaikymo (15,72%), po jo, ir rodė pažadą dėl konkurencingesnių AI kalbos transkripcijos priemonių.
„QWEN3-ASR-Flash“ taip pat pasirodė gerai tvarkant kinų akcentus, kurių klaidų lygis buvo 3,48 proc. Anglų kalba jis surinko 3,81 proc. Konkurencijos, vėl patogiai įveikdamas „Gemini“ 7,63 proc., O „GPT4o“ – 8,45 proc.
Bet ten, kur jis iš tikrųjų suka galvas, yra garsiai keblioje srityje: muzikos perrašymas.
Kai buvo pavesta atpažinti dainų žodžius iš dainų, „Qwen3-ASR-Flash“ paskelbė tik 4,51 proc. Klaidų lygį, o tai yra daug geresnė nei jo konkurentai. Šis sugebėjimas suprasti muziką buvo patvirtintas atliekant vidinius bandymus su visomis dainomis, kur ji surinko 9,96 proc. Klaidų lygį; Didžiulis pagerėjimas, palyginti su 32,79 proc. Iš „Gemini-2,5-PRO“ ir 58,59 proc., Iš „GPT4o-Transcribe“.
Be įspūdingo tikslumo, modelis suteikia naujoviškų funkcijų prie lentelės naujos kartos AI transkripcijos įrankiams. Vienas didžiausių žaidimų keitiklių yra lankstus kontekstinis šališkumas.
Pamirškite kruopščiai formatavimo raktinių žodžių sąrašus, ši sistema leidžia vartotojams pamaitinti modelio fono tekstą praktiškai bet kokiu formato, kad gautų tinkintus rezultatus. Galite pateikti paprastą raktinių žodžių sąrašą, visus dokumentus ar net nepatogų abiejų derinį.
Šis procesas pašalina bet kokį sudėtingo kontekstinės informacijos išankstinio apdorojimo poreikį. Modelis yra pakankamai protingas, kad galėtų panaudoti kontekstą, kad sustiprintų jo tikslumą; Vis dėlto jo bendras našumas vargu ar turi įtakos, net jei jūsų pateiktas tekstas yra visiškai nesvarbus.
Akivaizdu, kad „Alibaba“ siekis šiam AI modeliui yra tapti pasauline kalbos transkripcijos įrankiu. Paslauga pateikia tikslią transkripciją iš vieno modelio, apimančio 11 kalbų, su daugybe tarmių ir akcentų.
Parama kinų kalba yra ypač gili, taip pat apima mandariną, be tokių pagrindinių tarmių, tokių kaip Cantonese, Sichuanese, Minnan (Hokkien) ir Wu.
Kalbėjams angliškai jis tvarko britus, amerikiečius ir kitus regioninius akcentus. Įspūdingą kitų palaikomų kalbų sąrašą sudaro prancūzų, vokiečių, ispanų, italų, portugalų, rusų, japonų, korėjiečių ir arabų kalba.
Norėdami visa tai suapvalinti, modelis gali tiksliai nustatyti, kuri iš 11 kalbų yra kalbama, ir jis yra įgudęs atmesti nekalbos segmentus, tokius kaip tyla ar foninis triukšmas, užtikrinant švaresnį išvestį nei ankstesni AI kalbos transkripcijos įrankiai.
Taip pat žiūrėkite: Siddhartha Choudhury, Booking.com: Kova su sukčiavimu internetu su AI
Norite sužinoti daugiau apie AI ir didelius duomenis iš pramonės lyderių? Peržiūrėkite AI ir „Big Data Expo“, vykstančią Amsterdame, Kalifornijoje ir Londone. Išsamus renginys yra „TechEx“ dalis ir yra kartu su kitais pagrindiniais technologijų įvykiais, spustelėkite čia, jei norite gauti daugiau informacijos.
„AI News“ maitina „TechForge Media“. Čia ištirkite kitus būsimus įmonių technologijų renginius ir internetinius seminarus.
