fr.wedoany.com Rapport : Alibaba Qwen a annoncé le 6 juillet la mise à niveau de son grand modèle de reconnaissance vocale en temps réel, Fun-ASR-Realtime. Après cette mise à jour, un seul modèle peut prendre en charge 16 dialectes et 30 langues. L'API est désormais disponible sur la plateforme Alibaba Cloud Bailian en Chine, ouverte pour des scénarios tels que le sous-titrage en temps réel, la transcription de réunions, les assistants vocaux, le service client à l'international et la communication multilingue.
Cette mise à niveau se concentre sur deux axes principaux : le « temps réel » et la « couverture vocale complexe ». En tant que modèle de reconnaissance vocale en flux, Fun-ASR-Realtime met l'accent sur la sortie synchrone du texte pendant que l'utilisateur parle. Le délai de sortie du premier caractère est contrôlé à quelques centaines de millisecondes, et le délai de sortie du dernier caractère des phrases longues est faible. Contrairement à la reconnaissance hors ligne, qui transcrit après la fin de l'enregistrement, la reconnaissance en temps réel exige du modèle une capacité de jugement continu sur les segments vocaux, le contexte, les pauses, le bruit et les variations d'accent. Dans les scénarios de réunions, de diffusions en direct, de service client et de matériel intelligent, les utilisateurs n'attendent pas la fin complète d'une phrase pour obtenir un résultat ; le système doit écouter et reconnaître simultanément, tout en minimisant les erreurs de jugement dues aux changements de contexte.
En matière de dialectes, Fun-ASR-Realtime couvre 16 dialectes répartis dans huit grandes régions dialectales. Lors des tests, le taux de précision des caractères du modèle atteint en moyenne 88,62 %, et il surpasse les produits de Volcano Engine et de Tencent en Chine pour la reconnaissance de 12 dialectes. La reconnaissance des dialectes a longtemps été un défi dans la technologie vocale, car les différences de consonnes initiales, de voyelles finales, de tons, de débit, de liaisons et d'expressions lexicales sont importantes selon les régions. Une même phrase en mandarin standard peut être modifiée par différents accents dans le langage parlé réel. Si le modèle n'est adapté qu'au mandarin standard, il est susceptible de commettre des erreurs de transcription dans les scénarios de service client, de diffusion en direct, de vidéos courtes, de lignes d'assistance gouvernementales, de commandes vocales embarquées et de terminaux intelligents. En intégrant 16 dialectes dans un même modèle en temps réel, Alibaba Qwen permet aux entreprises de ne pas avoir à déployer plusieurs systèmes de reconnaissance distincts pour différentes régions.
La capacité multilingue ouvre quant à elle des scénarios d'utilisation commerciale plus larges. Fun-ASR-Realtime prend en charge 30 langues et a fait l'objet d'optimisations spécifiques pour les langues d'Asie de l'Est et du Sud-Est, comme le thaï, avec une amélioration de 20 % de la précision de reconnaissance. Ces capacités sont particulièrement adaptées au service client transfrontalier, aux conférences internationales, aux diffusions en direct à l'étranger, à la formation dans les entreprises multinationales, aux services touristiques, au commerce électronique international et à l'opération locale. Pour les entreprises qui se développent à l'international, la reconnaissance vocale ne consiste pas seulement à convertir la parole en texte ; elle concerne également le contrôle qualité du service client, la génération de tickets, les comptes rendus de réunions, la traduction de sous-titres, l'organisation de prospects commerciaux et la conformité documentaire. Si un modèle en temps réel peut gérer simultanément les problèmes multilingues et d'accent, les entreprises peuvent réduire les coûts de transcription manuelle et de réorganisation dans leurs activités à l'étranger.
Cette mise à niveau accorde également une place plus importante à la capacité contextuelle. La reconnaissance vocale en temps réel est facilement affectée par le bruit ambiant, les conversations multiples, le vocabulaire spécialisé et les termes d'actualité. Cela est particulièrement vrai dans les scénarios de diffusion en direct, de sites industriels, de consultations médicales, de service client financier et de réunions techniques, où les noms de personnes, les noms de marques, les modèles de produits et les noms d'équipements ne sont souvent pas des mots courants. Fun-ASR-Realtime a été renforcé pour une capacité contextuelle étendue, capable d'améliorer les résultats de reconnaissance en utilisant le contexte des conversations historiques et les termes d'actualité en temps réel. Par exemple, dans un scénario de diffusion en direct, le modèle peut recaler les mots facilement mal entendus en fonction du contexte sémantique, rendant les sous-titres plus proches de l'expression réelle. Cette capacité répond mieux aux besoins réels des entreprises que la simple amélioration du score de dictée en mandarin.
Après la mise en ligne de l'API sur la plateforme Alibaba Cloud Bailian en Chine, les développeurs et les entreprises peuvent intégrer Fun-ASR-Realtime dans leurs propres systèmes métier. La méthode d'intégration influencera la vitesse de déploiement du modèle : si la capacité de reconnaissance vocale ne peut être utilisée que dans un seul produit, elle ressemble davantage à un outil fonctionnel ; si elle entre dans les systèmes de service client, les systèmes de réunion, le matériel intelligent, les plateformes de diffusion en direct, les systèmes embarqués et les plateformes de bureau d'entreprise via l'API, elle devient une infrastructure vocale sous-jacente. Fun-ASR-Realtime, combiné au modèle hors ligne récemment lancé Fun-ASR-Flash, forme un duo : le premier est adapté au sous-titrage en temps réel et aux interactions vocales, tandis que le second est plus approprié pour les fichiers d'enregistrement, les longs audios, les entretiens et les tâches de transcription par lots. La présence simultanée de modèles en temps réel et hors ligne sur la plateforme Bailian permet aux entreprises de choisir différentes voies de reconnaissance en fonction des scénarios.
La concurrence dans le domaine des modèles de reconnaissance vocale passe de « pouvoir comprendre le mandarin » à « pouvoir comprendre les sons complexes du monde réel ». Les utilisateurs peuvent avoir un accent, faire des pauses, se répéter, insérer des mots anglais, changer de langue, ou se trouver dans une salle de réunion, un studio de diffusion en direct, une usine, une voiture ou un environnement extérieur. En réunissant dans une même mise à jour les dialectes, le multilinguisme, la faible latence, les termes d'actualité contextuels et le service API, Fun-ASR-Realtime vise en réalité une entrée vocale d'entreprise plus complexe. La mesure dans laquelle il pourra couvrir le vocabulaire sectoriel, maintenir une faible latence lors d'appels à haute concurrence et s'adapter à davantage de scénarios de bruit déterminera directement la profondeur d'utilisation de ces modèles vocaux en temps réel dans les systèmes commerciaux.
