Apresentando o Universal-3.6 Pro em tempo real: respostas curtas, reconhecidas corretamente

Autoria: AssemblyAI · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: Introducing Universal-3.6 Pro Realtime: Short Answers, Heard Right · Canal: AssemblyAI · 01:32 · Assistir no YouTube

Tópicos: Inferência e otimização de modelos, Modelos de IA, Modelos multimodais

Resumo

A AssemblyAI apresenta o Universal-3.6 Pro, seu modelo de reconhecimento de fala mais poderoso para uso em tempo real. O vídeo destaca suporte a 32 idiomas e alternância entre idiomas com baixa latência. Segundo a apresentação, o modelo tem melhor desempenho em ambientes ruidosos e ao reconhecer respostas de uma só palavra, com taxa de erro por palavra de até 1,45% nesses enunciados. Também busca manter o idioma principal escolhido durante uma chamada, mesmo quando a pessoa alterna para outro idioma.

Pontos-chave

O Universal-3.6 Pro foi apresentado como o modelo de reconhecimento de fala mais poderoso da AssemblyAI para casos de uso em tempo real.
O modelo oferece suporte a 32 idiomas e pode alternar entre eles em tempo real, com baixa latência.
A apresentação destaca maior precisão quando há ruído intenso ou uma TV ligada ao fundo.
O modelo busca reconhecer melhor respostas curtas, inclusive respostas de uma só palavra.
A taxa de erro por palavra em respostas curtas pode chegar a 1,45%, segundo o vídeo.
Durante uma chamada, o modelo mantém o idioma principal escolhido mesmo quando a pessoa alterna para outro idioma.
O vídeo menciona melhorias de precisão em chinês, árabe e outros idiomas.
A AssemblyAI convida o público a usar o modelo por meio de sua API.

Capítulos

Início	Capítulo	Resumo
00:00	Apresentação e demonstração multilíngue	A AssemblyAI apresenta seu modelo de reconhecimento de fala em tempo real e destaca a alternância entre idiomas com baixa latência e suporte a 32 idiomas.
00:30	Desempenho em ambientes ruidosos e respostas curtas	O vídeo demonstra o desempenho do modelo com ruído de fundo e introduz melhorias no reconhecimento de respostas de uma só palavra.
01:00	Respostas curtas, idioma principal e acesso por API	A apresentação cita uma taxa de erro por palavra de até 1,45%, explica como o modelo mantém o idioma principal da chamada e convida o público a usar o modelo pela API.

Citações

Estamos lançando nosso modelo de reconhecimento de fala mais poderoso para casos de uso em tempo real. — 00:00

Agora, oferecemos suporte não apenas a quatro idiomas, mas a 32. — 00:00

A precisão é muito maior quando a TV ou o ruído estão mais altos. — 00:30

A taxa de erro por palavra chegou a 1,45% nesses enunciados. — 01:00

Mal podemos esperar para ver como vocês vão usar o Universal 3.6 Pro por meio da nossa API. — 01:32

Conceitos e entidades

Universal-3.6 Pro (modelo): Modelo de reconhecimento de fala da AssemblyAI apresentado para casos de uso em tempo real.
AssemblyAI (empresa): Empresa que apresenta o Universal-3.6 Pro e oferece acesso ao modelo por meio de sua API.
speech-to-text (conceito): Tecnologia que converte fala em texto, foco do modelo apresentado no vídeo.
word error rate (conceito): Métrica de erro no reconhecimento de palavras, citada no vídeo como tendo chegado a 1,45% em respostas curtas.
API (ferramenta): Interface pela qual a AssemblyAI convida os usuários a acessar o Universal-3.6 Pro.

Tradução completa (pt-BR)

00:00 Hoje, estamos lançando nosso modelo de reconhecimento de fala mais poderoso até agora para casos de uso em tempo real. >> [música] >> Deixe-me mostrar com uma demonstração rápida. Primeiro, vou falar em inglês. O que mostramos, Indian John Wayne, talvez em hindi consiga falar com você? Tenho que falar no seu próprio poquito poquito. Você vê quatro idiomas sendo alternados em tempo real, com a menor latência, e não oferecemos suporte apenas a quatro idiomas, mas agora a 32. Agora, estas são as maneiras como nosso

00:30 modelo tem um desempenho melhor do que nunca. Número um: em meio a muito ruído. Pense em uma situação em que a TV está ligada ao fundo ou há muito barulho. Veja um exemplo. >> [música] >> câmara cheia, próximo >> mande para o meu cartão e pare? >> Meteorologistas esperam chuva forte no norte >> [música] >> E está comprovado que a precisão é muito maior quando a TV ou o ruído está mais alto. Número dois: respostas de uma palavra. Por exemplo, digamos que um agent pergunte: “Posso [música] fazer esta reunião às 15h?” E agora, quando você responde

01:00 >> Claro. As ações fecharam em alta na >> [música] >> Durante essas falas, nossa taxa de erro de palavras caiu para até 1,45%, e número três: manter o idioma de quem está ligando. Digamos que você faça uma ligação em inglês e, às vezes, mude aos poucos para o espanhol, mas toda a condução dessa ligação permanecerá no idioma principal que você escolheu. E aqui você pode ver uma melhora notável na precisão em chinês, árabe e outros idiomas; agora, oferecemos suporte a 32 idiomas. E mal podemos esperar para ver

01:32 como você usa o Universal 3.6 Pro por meio da nossa API. Obrigado.

Transcrição original

[00:00] Today, we are releasing our most powerful speech-to-text model for real-time use cases >> [music] >> yet. Let me show you with a quick demo. I’m going to first talk in English. What we show Indian John Wayne May Hindi be able to speak to you? I have to speak in your own poquito poquito. You see four languages switched real-time with the lowest latency and we not just support four languages, but now 32 of them. Now, here are the ways our

[00:30] model performs better than ever before. Number one, during heavy noises. Think about a scenario when you have TV playing in the background or there’s heavy noise. Here’s an example. >> [music] >> full chamber next >> send it to my card and stop? >> Meteorologists expect heavy rain across the north >> [music] >> And the accuracy is proven to be way higher when the TV or the noise is louder. Number two, during one-word answers. For example, let’s say an agent asks you, “Can I have [music] a have this meeting at 3:00 p.m.?” And now when you respond

[01:00] >> Sure. Stocks closed higher in the >> [music] >> During those utterances, our word error rate has gone down as low as 1.45% and number three, staying in the caller’s language. Let’s say you do a call in English and slowly sometimes switch to Spanish, but the entire steering of that call will remain in the primary language that you have chosen. And here you can see noticeable accuracy improvement in Chinese, Arabic, and other languages and now we support 32 languages. And now we cannot wait to see

[01:32] how you use Universal 3.6 Pro through our API. Thank you.