👋 В каталог Immers Foundation Models добавлена Whisper large-v3 от OpenAI – одна из наиболее популярных моделей ASR с улучшенной точностью распознавания и расширенной языковой поддержкой.
Мультимодальная модель обработки речи на архитектуре sequence-to-sequence, способная выполнять транскрибирование, идентификацию языка, определение голосовой активности и перевод на английский без предварительного дообучения.
⚙️ Архитектурные улучшения по сравнению с large-v2:
• 128 мел-частотных бинов вместо 80 для захвата более тонких акустических деталей (критично для тональных языков и сложной фонетики).
• Датасет и метод обучения: Обучение с использованием weak supervision на корпусе данных объемом ~5 млн часов.
• Языковая поддержка: более 100 языков
Сценарии применения:
☑️ Автоматическое субтитрирование видео, подкастов, вебинаров.
☑️ Перевод аудио-контента в реальном времени.
☑️ Голосовое управление и диктовка текста.
☑️ Анализ звонков в контакт-центрах (для извлечения текста).
☑️ Базовая модель для дообучения под узкоспециализированные задачи.
➡️ Оценить качество распознавания и протестировать возможности модели можно через публичный эндпоинт. Получить токен для подключения через API можно на странице управления токенами.