Confucius4-R2T2 वास्तव में वास्तविक समय प्रतिलेखन के लिए एक स्थिर-उपसर्ग स्ट्रीमिंग स्वचालित speech recognition मॉडल है।
Confucius4-R2T2 स्थिर-प्रीफिक्स पर्यवेक्षण के माध्यम से भाषण को केवल अनुलग्नक पाठ में स्ट्रीम करता है, वास्तविक समय आवाज एजेंटों और अनुवाद के लिए सार्वजनिक कोड के साथ।
मुख्य जानकारी
- NetEase Youdao ने सार्वजनिक मॉडल, कोड और डेमो के साथ रीयल-टाइम वॉयस एजेंटों और समवर्ती अनुवाद के लिए एक स्थिर-उपसर्ग स्ट्रीमिंग एएसआर मॉडल कन्फ्यूशियस 4-आर 2 टी 2 जारी किया।
- मॉडल केवल परिशिष्ट, स्थिर पाठ को आउटपुट करता है, जो बार-बार संशोधित आंशिक प्रतिलेखों के कारण डाउनस्ट्रीम जटिलता को कम करता है।
- इसकी मूल पद्धति, Longest Stable Prefix पर्यवेक्षण, वास्तुकला को बदले बिना पोस्ट-प्रशिक्षण के माध्यम से एक पूर्ण संदर्भ एएसआर मॉडल को स्ट्रीमिंग में परिवर्तित करता है।
- Qwen3-ASR-1.7B पर निर्मित, यह कम उत्सर्जन विलंबता और प्रतिक्रियाशीलता और मान्यता को संतुलित करने के लिए विन्यास योग्य खंड आकार के साथ निकट-ऑफलाइन सटीकता का दावा करता है।
- प्रकाशन बहुभाषी आवाज अनुप्रयोगों के लिए क्रॉस-भाषा क्षमता पर प्रकाश डालता है, हालांकि विस्तृत समर्थित भाषा और बेंचमार्क डेटा प्रदान नहीं किया गया है।
मेटा विवरण: NetEase Youdao ने कॉन्फ्यूशियस 4-आर 2 टी 2, एक स्थिर-उपसर्ग स्ट्रीमिंग भाषण मॉडल जारी किया जो आवाज एजेंटों और अनुवादकों के लिए है, केवल परिशिष्ट आउटपुट और सार्वजनिक कोड के साथ।

विशेष रुप से प्रदर्शित छवि: अमूर्त मैत्रीपूर्ण चित्रण शैली जो माइक्रोफ़ोन से वॉयस-एजेंट और अनुवादक इंटरफेस में बहने वाले ब्लॉकों की एक स्थिर धारा दिखाती है; कलाकृतियों में कोई वास्तविक लोग, कोई लोगो, कोई पाठ नहीं।
NetEase Youdao ने कन्फ्यूशियस 4-आर 2 टी 2, एक स्थिर-उपसर्ग स्ट्रीमिंग स्वचालित speech recognition मॉडल को वास्तविक समय अनुप्रयोगों के लिए डिज़ाइन किया गया है। इसका उद्देश्य वॉयस एजेंट और समवर्ती अनुवादकों के बिल्डर्स हैं, जिन्हें ट्रांसक्रिप्ट टेक्स्ट की आवश्यकता होती है जिसे बार-बार फिर से लिखे जाने के बजाय तुरंत खपत किया जा सकता है। यह मॉडल https://huggingface.co/netease-youdao/Confucius4-R2T2 पर उपलब्ध है, इसके कार्यान्वयन के साथ https://github.com/netease-youdao/Confucius4-R2T2 और https://r2t2.youdao.com/demo पर लाइव डेमो।
अनुलग्नक-केवल पाठ नीचे की ओर घर्षण को कम करता है
स्ट्रीमिंग स्पीच सिस्टम आमतौर पर ऑडियो को आंशिक पाठ में बदल देते हैं जबकि एक वक्ता बोलना जारी रखता है। पारंपरिक प्रणालियां अक्सर उन आंशिक परिणामों को संशोधित करती हैं, जो वाक्य पूरा होने से पहले परिवर्तनशील टुकड़ों को संभालने के लिए डाउनस्ट्रीम घटकों को मजबूर कर सकती हैं। इसके बजाय कन्फ्यूशियस 4-आर 2 टी 2 केवल अनुलग्नक-स्थिर पाठ का उत्पादन करता है। व्यावहारिक रूप से, एक बार स्थिर उपसर्ग दिखाई देने के बाद, मॉडल वापस नहीं जाता है और इसे फिर से लिखता है, जिससे आवाज एजेंटों और अनुवाद प्रणालियों को स्वच्छ इनपुट धारा मिलती है।
स्थिर-उपसर्ग पर्यवेक्षण प्रशिक्षण लक्ष्य को बदलता है
केंद्रीय विधि Longest Stable Prefix पर्यवेक्षण है। केवल एक कथन के अंत में सबसे अच्छा संभव प्रतिलेख का उत्पादन करने के लिए एक प्रणाली को प्रशिक्षित करने के बजाय, यह मॉडल को पाठ के सबसे लंबे उपसर्ग की पहचान करना सिखाता है जो पहले से ही आउटपुट के लिए पर्याप्त स्थिर है। वह निरीक्षण NetEase Youdao को पोस्ट-प्रशिक्षण के माध्यम से वास्तुशिल्प संशोधनों के बिना पूर्ण संदर्भ speech recognition मॉडल को स्ट्रीमिंग में बदलने देता है।
बेस मॉडल Qwen3-ASR-1.7B है। घोषणा में कहा गया है कि यह मॉडल कम उत्सर्जन विलंबता के साथ निकट-ऑफलाइन मान्यता सटीकता प्राप्त करता है। यह कॉन्फ़िगर करने योग्य स्ट्रीमिंग खंड आकार का भी समर्थन करता है, जिससे बिल्डरों को अपनी प्रणालियों में प्रतिक्रिया और पहचान व्यवहार के बीच संतुलन को ट्यून करने की अनुमति मिलती है।
रीयल-टाइम वॉयस उत्पादों के लिए रिलीज़ का क्या अर्थ है
वॉयस एजेंट या समकालिक अनुवाद पर काम करने वाली टीमों के लिए, मुख्य मूल्य एकीकरण सादगी है। स्थिर आउटपुट का अर्थ है कि डाउनस्ट्रीम एप्लिकेशन अंतिम संशोधन की प्रतीक्षा किए बिना या लगातार सुधारों को प्रबंधित किए बिना जल्दी से पाठ का उपभोग कर सकता है। सार्वजनिक मॉडल, कोड और डेमो डेवलपर्स के लिए अपने स्वयं के ऑडियो और उपयोग मामलों के साथ सीधे उस व्यवहार का परीक्षण करना संभव बनाता है।
घोषणा में पार-भाषागत सामान्यीकरण का भी वर्णन किया गया है, जो बहुभाषी आवाज अनुभवों के लिए मॉडल को उपयोगी बना सकता है, हालांकि स्रोत समर्थित भाषाओं या औपचारिक बेंचमार्क स्कोर की पूरी सूची निर्दिष्ट नहीं करता है। परियोजना सामुदायिक प्रतिक्रिया और सार्वजनिक प्रयोग को आमंत्रित करती है।
टैगः Confucius4-R2T2, स्ट्रीमिंग speech recognition, Qwen3-ASR-1.7B, आवाज एजेंटों, एक साथ अनुवाद
Comments (0)