Компания Alibaba выпустила приложение для ввода текста Qwen CosyVoice, доступное для iOS, Android и macOS, а версия для Windows находится в разработке, о чем свидетельствует практический обзор от Tech Fox. Это приложение знаменует собой шаг Alibaba в сторону голосового ввода на базе искусственного интеллекта, использующего речевую модель CosyVoice, интегрированную с большой языковой моделью Qwen для интеллектуальной транскрипции и улучшения текста.
Основная функция приложения — голосовой ввод в одно нажатие: нажмите кнопку микрофона, говорите и нажмите еще раз для завершения транскрипции. Тестирование в трех сценариях — английский язык, путунхуа и кантонский диалект — показало высокую производительность. Для английского языка отрывок из выступления TED был транскрибирован с точностью, близкой к 100%. Транскрипция новостей на путунхуа продемонстрировала аналогично высокую точность, при этом большинство четырехсимвольных идиом были распознаны верно. Кантонский сегмент, основанный на классическом диалоге из фильма A Chinese Odyssey, показал, что CosyVoice иногда переводит кантонский на текст на путунхуа, а в других случаях транскрибирует кантонское произношение напрямую, при этом основной смысл сохраняется.
Помимо базовой транскрипции, метод ввода интегрирует большую языковую модель Qwen для интеллектуальной обработки транскрибированного текста. Бессмысленные слова-паразиты удаляются автоматически, а знаки препинания и форматирование применяются интеллектуально. В результате получается очищенный, хорошо отформатированный текст, готовый к использованию, что значительно снижает нагрузку по ручному редактированию по сравнению с традиционными системами преобразования речи в текст.
Отличительной особенностью является настраиваемая настройка стиля, где пользователи могут предоставлять инструкции (промпты) для определения желаемого стиля вывода. Система изучает индивидуальные привычки выражения, становясь со временем более персонализированной. Это решает ключевое ограничение традиционного голосового ввода, который выдавал необработанный, неформатированный текст, требующий значительной постобработки.
Запуск приложения для ввода текста от Qwen является частью более широкой тенденции, когда крупные технологические компании выходят на рынок методов ввода на базе ИИ. Мотивация, вероятно, выходит за рамки самой функции ввода: методы ввода служат одним из наиболее часто используемых ежедневных цифровых интерфейсов, что делает их ценными каналами для сбора данных для обучения на естественном языке. Поскольку обучение больших языковых моделей требует все больших объемов аутентичных разговорных данных, метод ввода становится стратегическим конвейером для приобретения данных.
Остается открытым вопрос, сможет ли голосовой ввод полностью заменить набор текста на клавиатуре. Для определенных сценариев — вождение автомобиля, приготовление пищи, многозадачность — голосовой ввод уже предлагает явные преимущества в эффективности. Метод ввода Qwen CosyVoice демонстрирует, что слияние больших языковых моделей со специализированным распознаванием речи может обеспечить практические улучшения в точности и удобстве, которые были недостижимы с помощью традиционных технологий голосового ввода.
Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.
Автор – Pandaily
