مدل صوتی متنباز Haas-ja-v1.0 معرفی شد؛ تبدیل گفتار ژاپنی به متن با هزینه‌ای بسیار کمتر از GPT-Transcribe
استارتاپ ژاپنی Third Intelligence از مدل متنباز Haas-ja-v1.0 برای تبدیل گفتار ژاپنی به متن رونمایی کرد که کیفیتی هم‌تراز با برترین ابزارهای تجاری ارائه می‌دهد. این مدل صوتی ۶۱۵ میلیون پارامتری می‌تواند فرایند پیاده‌سازی متنی صدا را با هزینه‌ای تا ۷۵ برابر کمتر از مدل GPT-Transcribe روی سرورهای اختصاصی محلی اجرا کند.
در یک نگاه (نکات کلیدی خبر)
خلاصه مهم‌ترین نکات و تحولات این گزارش برای مطالعه سریع
- مدل متنباز Haas-ja-v1.0 با ۶۱۵ میلیون پارامتر برای تبدیل گفتار ژاپنی به متن منتشر شده و در بنچمارک‌های تخصصی بهترین عملکرد را میان مدل‌های آزاد ثبت کرده است.
- این مدل صوتی با پردازش بیش از ۳ هزار برابر سریع‌تر از زمان واقعی توانسته تعادل فوق‌العاده‌ای میان سرعت پردازش و دقت بازنویسی برقرار کند.
- پیاده‌سازی این مدل روی سرورهای اختصاصی می‌تواند هزینه تبدیل صوت به متن را در مقایسه با سرویس تجاری GPT-Transcribe تا ۷۵ برابر کاهش دهد.
استارتاپ ژاپنی Third Intelligence مستقر در توکیو، مدل تشخیص گفتار خودکار Haas-ja-v1.0 را با ۶۱۵٫۸ میلیون پارامتر معرفی کرد؛ مدلی که ویژه پیاده‌سازی سریع متن و میزبانی روی سرورهای اختصاصی توسعه یافته است. وزن‌ها و کدهای مربوط به فرایند استنتاج این مدل تحت مجوز آپاچی ۲٫۰ (Apache 2.0) در دسترس عموم قرار گرفته‌اند.
مدل Haas-ja-v1.0 در ارزیابی‌های انجام‌شده روی پنج مجموعه‌داده این شرکت، به نرخ خطای نویسه‌ای (CER) دقیق ۶٫۱۲ درصد دست یافت که بهترین نتیجه ثبت‌شده میان تمام مدل‌های متنباز مورد آزمایش به‌شمار می‌رود. سرعت پردازش این مدل به ۳٬۲۳۶ برابر زمان واقعی می‌رسد که آن را در مرز بهینگی میان سرعت و دقت قرار می‌دهد؛ به این معنا که هیچ‌یک از گزینه‌های بررسی‌شده نتوانسته‌اند هم‌زمان هم سریع‌تر و هم دقیق‌تر از آن عمل کنند.
دقت ۶٫۱۲ درصدی و ملاحظات مهم پیرامون هزینه‌ها
آزمون ارزیابی asr-ja-bench v1.1 شامل ۱۸٬۳۱۸ قطعه صوتی و ۲۳٫۳۸ ساعت گفتار ژاپنی است. شاخص نرخ خطای نویسه‌ای یا CER، تعداد موارد درج، حذف و جایگزینی نادرست کاراکترها را در سطح حروف اندازه می‌گیرد و امتیاز پایین‌تر در آن به معنای رونویسی دقیق‌تر است. شرکت Third Intelligence ابزاری اختصاصی به نام jacer توسعه داده است تا این شاخص را در سه حالت مختلف محاسبه و گزارش کند:
- شاخص دقیق (Strict CER): متن پیاده‌شده را دقیقاً مطابق با نگارش، شامل تفاوت‌های بین سیستم‌های نوشتاری کانجی و کانا ارزیابی می‌کند.
- شاخص انعطاف‌پذیر (Flex CER): تفاوت‌ها و تغییرات نگارشی مجاز میان کانجی و کانا را نادیده می‌گیرد.
- شاخص آوایی کانا (Kana CER): متن را پیش از مقایسه به تلفظ آوایی آن تبدیل می‌کند تا تمرکز اصلی روی تشخیص صحیح آواهای گفتاری باشد.
سیستم | نوع دسترسی | نرخ خطای دقیق (Strict CER) | هزینه تقریبی هر ساعت پردازش صوتی |
|---|---|---|---|
Haas-ja-v1.0 | کد و وزن‌های متنباز | ۶٫۱۲٪ | ۰٫۰۰۳ تا ۰٫۰۰۴ دلار |
GPT-Transcribe | سرویس ابری تجاری (API) | ۶٫۰۷٪ | حدود ۰٫۳۰ دلار |
MAI-Transcribe 2 | سرویس ابری تجاری (API) | کمتر از ۶٫۱۲٪ | حدود ۰٫۱۱ دلار |
Scribe v2 | سرویس ابری تجاری (API) | کمتر از ۶٫۱۲٪ | حدود ۰٫۱۱ دلار |
Gemini 3.1 Pro | سرویس ابری تجاری (API) | کمتر از ۶٫۱۲٪ | اعلام‌نشده |
برآوردهای منتشرشده برای مدل Haas نشان می‌دهد که تبدیل هر ساعت فایل صوتی به متن، حدود ۷۵ تا ۱۰۰ برابر ارزان‌تر از GPT-Transcribe و ۲۸ تا ۳۷ برابر مقرون‌به‌صرفه‌تر از تعرفه‌های MAI و Scribe تمام می‌شود. البته این تخمین بیانگر هزینه سخت‌افزار و زیرساخت در شرایط حداکثر بهره‌وری و بار کاری سنگین است؛ در حالی که قیمت‌های سرویس‌های تجاری شامل هزینه‌های جانبی میزبانی ابری، پشتیبانی و نگهداری سرورها نیز می‌شود. بنابراین، مواردی هم‌چون زمان‌های بیکاری پردازنده‌های گرافیکی، هزینه‌های ذخیره‌سازی، دستمزد تیم فنی و امور عملیاتی می‌توانند هزینه نهایی را در پروژه‌هایی با حجم کاری پایین‌تر افزایش دهند.
برچسب های مرتبط
مطالب مرتبط و پیشنهادی
استارتاپ GenRobot AI برای توسعه داده‌های آموزش ربات، ۱۰۰ میلیون دلار سرمایه جذب کرد
استارتاپ چینی GenRobot AI که در زمینه توسعه زیرساخت و داده‌های مورد نیاز برای آموزش ربات‌ها فعالیت می‌کند، موفق به جذب ۱۰۰ میلیون دلار سرمایه در دور سری A+ شد. این دور از تأمین مالی با مشارکت نام‌های بزرگی هم‌چون بایدو و سایک موتور انجام شده است.
اپل هوش مصنوعی Qwen علی‌بابا را به Siri و آیفون می‌آورد؛ آغاز فاز آزمایشی از ۴ نوامبر
اپل آزمایش قابلیت‌های هوش مصنوعی اختصاصی خود یعنی Apple Intelligence را از تاریخ ۴ نوامبر در سرزمین اصلی چین کلید می‌زند. در این طرح، مدل پیشرفته Qwen متعلق به علی‌بابا مستقیماً به Siri، ابزارهای نگارش و قابلیت هوش بصری اضافه می‌شود تا کاربران چینی بدون محدودیت از این امکانات استفاده کنند.
متا با همکاری شرکت چینی Fourier، نمونه اولیه ربات انسان‌نما را توسعه داد
شرکت متا با همکاری استارتاپ رباتیک Fourier در چین، نمونه اولیه‌ای از یک ربات انسان‌نما با نام Max را برای انجام کارهای خانگی توسعه داده است. این دو شرکت در حال حاضر کار روی نسل دوم این ربات را آغاز کرده‌اند تا مسیر عرضه ربات‌های تجاری در آینده هموار شود.
دیدگاه ها و گفتگوی تخصصی
نظرات خود را با جامعه مخاطبان وایر ای آی در میان بگذارید
هنوز دیدگاهی برای این مطلب ثبت نشده است
اولین نفری باشید که دیدگاه، تحلیل یا دیدگاه خود را درباره این موضوع با دیگران به اشتراک می گذارد.