Hacker News · 18.06.2026 ·Модели и релизы

Релиз компактной модели для транскрибации китайского языка

Разработчики представили специализированную модель для распознавания речи на китайском языке с параметрами 150 млн. Решение ориентировано на высокую скорость работы и оптимизировано для задач транскрибации в реальном времени. Ключевой особенностью системы является встроенная функция автоматического определения метаданных, что позволяет извлекать контекстную информацию непосредственно в процессе обработки аудиопотока.

Модель демонстрирует эффективность в условиях ограниченных вычислительных ресурсов, что делает её пригодной для развертывания на периферийных устройствах. Использование компактной архитектуры снижает задержки при инференсе, сохраняя при этом точность распознавания, сопоставимую с более тяжелыми аналогами. Инструмент доступен для интеграции в прикладные системы обработки голоса и автоматизированные сервисы анализа аудиоданных.

Техническая реализация проекта сфокусирована на снижении нагрузки на серверную инфраструктуру при сохранении качества обработки естественного языка. Модель уже доступна для тестирования и внедрения в рамках открытых библиотек машинного обучения, что упрощает её использование в проектах, требующих оперативной обработки китайской речи с дополнительной аналитической разметкой.

Источник: Hacker News

Похожие материалы

Hacker News · Память и RAG ASR-модель распознаёт не только слова, но и эмоции и намерения Компания Whissle представила новую ASR-модель, способную не только транскрибировать речь, но и анализировать эмоции и намерения говорящего. Это позволяет использовать её для более глубокого понимания контекста в реальном времени. Модель обрабатывает аудио за 200 миллисекунд, что делает её одной из самых быстрых на рынке. The Decoder · Модели и релизы Zhipu AI представила модель GLM-5.2 с контекстным окном в 1 млн токенов Китайская лаборатория Zhipu AI выпустила новую языковую модель GLM-5.2, распространяемую под лицензией MIT. Ключевой особенностью релиза стала поддержка контекстного окна объемом 1 миллион токенов, что позволяет обрабатывать значительные массивы данных за один запрос. Модель ориентирована на решение сложных задач, требующих длительного удержания контекста и глубокого анализа информации. Simon Willison's Weblog · Модели и релизы Выпущена открытая LLM GLM-5.2 с 753 миллиардами параметров Китайская лаборатория Z.ai представила модель GLM-5.2, которая на текущий момент претендует на звание самой мощной текстовой языковой модели с открытыми весами. Релиз состоялся спустя несколько дней после ограниченного доступа для подписчиков, и теперь веса модели доступны под лицензией MIT. Архитектура новинки основана на принципе Mixture of Experts (MoE), что позволяет эффективно использовать ресурсы при колоссальном объеме параметров. Together.ai · Инфраструктура для агентов Together AI представила инфраструктуру для голосовых агентов Together AI анонсировала платформу для создания голосовых агентов с задержкой менее 500 мс. Решение включает интеграцию распознавания речи (STT), языковых моделей (LLM) и синтеза речи (TTS) в одном месте. arXiv · Машинное обучение LEAF-X: новый фреймворк для объяснения работы трансформеров в ASR Исследователи из MIT и других университетов представили LEAF-X — фреймворк для объяснения работы трансформерных моделей автоматического распознавания речи (ASR), таких как Whisper. Эти модели демонстрируют высокую точность, но их предсказания остаются «чёрными ящиками». Существующие методы объяснения ИИ (XAI) часто страдают от несоответствия между объяснениями и реальной работой модели, а также от отсутствия точной временной привязки. Mistral AI Blog · Инфраструктура для агентов Voxtral TTS: быстрый и адаптивный синтез речи для голосовых агентов Mistral представила Voxtral TTS — открытую модель синтеза речи с открытыми весами. Она предназначена для создания реалистичного голоса для голосовых агентов. Voxtral работает быстро и может адаптироваться к новым голосам за считанные секунды. Together.ai · Инференс и железо Together AI создала самый быстрый стек для распознавания речи Together AI представила решение для распознавания речи (ASR), которое, по их заявлению, является самым быстрым в мире. Компания подчеркивает, что подход к ASR рассматривался как задача полного пути системы, а не только как проблема инференса на GPU. Hacker News · Инференс и железо Whissle Gateway: мультимодальный голосовой ИИ в 500 МБ Команда Whissle представила Whissle Gateway — локальный Docker-контейнер для мультимодального голосового ИИ. Размер образа составляет всего 500 МБ, что делает его одним из самых компактных решений для локального развёртывания. Hacker News · Память и RAG Project Yaazh: ИИ-агенты могут совершать звонки от вашего имени Исследователи представили Project Yaazh — систему, позволяющую ИИ-агентам совершать телефонные звонки от имени пользователей. Технология использует синтетический голос и обработку естественного языка для взаимодействия с абонентами. arXiv · Машинное обучение Новый метод дообучения моделей речи для специфичных задач Исследователи предложили новый подход к дообучению foundation-моделей речи, которые изначально обучаются на больших объёмах неразмеченных данных. Такие модели создают универсальные представления, полезные для разных задач, но при этом кодируют информацию о ключевых переменных речи распределённо. Это означает, что для конкретных задач требуется только часть этой информации.

← Все материалы