أخبار ar.wedoany.com، أعلنت شركة "علي بابا كلاود" الصينية في 6 يوليو عن تحديث نموذج التعرف على الكلام في الوقت الفعلي "Fun-ASR-Realtime". بعد التحديث، أصبح النموذج الواحد قادرًا على دعم 16 لهجة و30 لغة، وتم إطلاق واجهة برمجة التطبيقات (API) على منصة "بايليان" (Bailian) التابعة لـ "علي بابا كلاود"، وهي متاحة للاستخدام في سيناريوهات مثل الترجمة الفورية، وتدوين محاضر الاجتماعات، والمساعدات الصوتية، وخدمة العملاء عبر الحدود، والتواصل متعدد اللغات.
يركز هذا التحديث بشكل رئيسي على اتجاهين: "الوقت الفعلي" و"تغطية الكلام المعقد". يعمل "Fun-ASR-Realtime" كنموذج للتعرف على الكلام المتدفق، حيث يتميز بقدرته على إخراج النص بشكل متزامن أثناء تحدث المستخدم، مع تأخير في إخراج الحرف الأول يبلغ مستوى الميلي ثانية، وتأخير منخفض في إخراج الحرف الأخير من الجمل الطويلة. مقارنة بالتعرف غير المتصل الذي يتم بعد انتهاء التسجيل، يتطلب التعرف في الوقت الفعلي قدرة مستمرة على الحكم على مقاطع الكلام والسياق والتوقفات والضوضاء وتغيرات اللهجة. في سيناريوهات الاجتماعات والبث المباشر وخدمة العملاء والأجهزة الذكية، لا ينتظر المستخدمون انتهاء الجملة بالكامل للحصول على النتيجة، بل يجب على النظام التعرف أثناء الاستماع، مع تقليل الأخطاء الناتجة عن تغيرات السياق قدر الإمكان.
فيما يتعلق بالقدرة على التعامل مع اللهجات، يغطي "Fun-ASR-Realtime" 16 لهجة من 8 مناطق لهجوية رئيسية. في الاختبارات ذات الصلة، بلغ متوسط دقة الأحرف للنموذج 88.62%، وتفوق على منتجات "فولك إنجن" (Volc Engine) الصينية ومنتجات "تينسنت" (Tencent) الصينية في التعرف على 12 فئة من اللهجات. يُعد التعرف على اللهجات تحديًا طويل الأمد في تكنولوجيا الكلام، نظرًا للاختلافات الكبيرة بين المناطق في الحروف الساكنة والمتحركة والنغمات وسرعة الكلام والوصل والتعبيرات المعجمية، حيث يمكن إعادة صياغة نفس الكلمات باللغة الصينية القياسية في الكلام الفعلي بلهجات مختلفة. إذا كان النموذج مكيفًا فقط للغة الصينية القياسية، فسيواجه أخطاء في التحويل عند دخوله سيناريوهات مثل خدمة العملاء والبث المباشر والفيديو القصير والخطوط الساخنة الحكومية والأنظمة الصوتية في السيارات والأجهزة الطرفية الذكية. من خلال دمج 16 لهجة في نموذج واحد في الوقت الفعلي، يعني ذلك أن الشركات لا تحتاج إلى نشر قدرات تعرف منفصلة لمناطق مختلفة عند الانضمام.
تشير القدرة متعددة اللغات إلى سيناريوهات استخدام تجارية أوسع. يدعم "Fun-ASR-Realtime" 30 لغة، مع تحسينات خاصة للسيناريوهات متعددة اللغات في شرق وجنوب شرق آسيا مثل اللغة التايلاندية، مما أدى إلى زيادة دقة التعرف بنسبة 20%. هذه القدرات مناسبة بشكل أكبر لخدمة العملاء عبر الحدود، والمؤتمرات الدولية، والبث المباشر عبر الحدود، وتدريب الشركات متعددة الجنسيات، وخدمات السفر، والتجارة الإلكترونية الدولية، والعمليات المحلية. بالنسبة للشركات التي تتوسع في الخارج، لا يقتصر التعرف على الكلام على تحويل الصوت إلى نص فحسب، بل يتعلق أيضًا بمراقبة جودة خدمة العملاء، وإنشاء تذاكر العمل، وتدوين محاضر الاجتماعات، وترجمة الترجمة، وتنظيم خيوط المبيعات، والامتثال للتوثيق. إذا كان النموذج في الوقت الفعلي قادرًا على التعامل مع مشكلات تعدد اللغات واللهجات في نفس الوقت، يمكن للشركات تقليل تكاليف التحويل اليدوي وإعادة التنظيم في عملياتها الخارجية.
كما وضع هذا التحديث القدرة على فهم السياق في مكانة أكثر أهمية. يتأثر التعرف على الكلام في الوقت الفعلي بسهولة بالضوضاء المحيطة، وتعدد المتحدثين، والمصطلحات المتخصصة، والكلمات الساخنة المؤقتة، خاصة في البث المباشر، والمواقع الصناعية، والاستشارات الطبية، وخدمة العملاء المالية، والاجتماعات التقنية، حيث غالبًا ما تكون أسماء الأشخاص والعلامات التجارية ونماذج المنتجات وأسماء الأجهزة غير كلمات شائعة. تم تعزيز "Fun-ASR-Realtime" من خلال قدرة سياقية واسعة، حيث يمكنه تحسين نتائج التعرف من خلال الجمع بين سياق المحادثة التاريخي والكلمات الساخنة في الوقت الفعلي. على سبيل المثال، في سيناريو البث المباشر، يمكن للنموذج إعادة تصحيح الكلمات التي قد تُفهم خطأً بناءً على السياق السابق واللاحق، مما يجعل الترجمة أقرب إلى التعبير الفعلي. هذه القدرة أقرب إلى احتياجات الأعمال الفعلية من مجرد تحسين درجات الإملاء باللغة الصينية القياسية.
بعد إطلاق واجهة برمجة التطبيقات (API) على منصة "بايليان" (Bailian) التابعة لـ "علي بابا كلاود"، يمكن للمطورين والشركات دمج "Fun-ASR-Realtime" في أنظمتهم التجارية. ستؤثر طريقة الدمج على سرعة تطبيق النموذج: إذا كانت قدرة التعرف على الكلام متاحة فقط في منتج واحد، فإنها تشبه وظيفة أداة؛ أما إذا تم دمجها عبر API في أنظمة خدمة العملاء، وأنظمة الاجتماعات، والأجهزة الذكية، ومنصات البث المباشر، والأنظمة الصوتية في السيارات، ومنصات الأعمال المكتبية، فستصبح بنية تحتية صوتية أساسية. يشكل "Fun-ASR-Realtime" مع النموذج غير المتصل "Fun-ASR-Flash" الذي تم إطلاقه مؤخرًا مجموعة، حيث الأول مناسب للترجمة الفورية والتفاعل الصوتي، بينما الثاني مناسب لملفات التسجيل والصوت الطويل والمقابلات ومهام التحويل الجماعي. دخول كلا النموذجين (الوقت الفعلي وغير المتصل) إلى منصة "بايليان" في نفس الوقت يتيح للشركات اختيار مسار التعرف المناسب وفقًا للسيناريو.
تتحول المنافسة في نماذج التعرف على الكلام من "القدرة على فهم اللغة الصينية القياسية" إلى "القدرة على فهم الأصوات المعقدة في العالم الحقيقي". قد يكون لدى المستخدمين لهجات، ويتوقفون أثناء الكلام، ويكررون، ويدرجون كلمات إنجليزية، ويغيرون اللغة، وقد يكونون في غرفة اجتماعات، أو غرفة بث مباشر، أو مصنع، أو داخل سيارة، أو في بيئة خارجية. من خلال دمج اللهجات، وتعدد اللغات، وانخفاض زمن الاستجابة، والكلمات الساخنة السياقية، وخدمة API في تحديث واحد، يستهدف "Fun-ASR-Realtime" في الواقع مدخلًا صوتيًا مؤسسيًا أكثر تعقيدًا. إن مدى قدرته على تغطية المصطلحات الصناعية، والحفاظ على زمن استجابة منخفض في ظل الاستدعاءات العالية المتزامنة، والتكيف مع المزيد من سيناريوهات الضوضاء، سيحدد بشكل مباشر عمق استخدام هذا النموذج الصوتي في الوقت الفعلي في الأنظمة التجارية.
