ElevenLabs уступила индийской нейросети.
28 октября компания Gnani AI выпустила Prisma v3.0
— модель распознавания речи, которая в испытаниях разработчика обошла ElevenLabs Scribe v2 и Microsoft Azure сразу на девяти индийских языках.
В Индии люди запросто переключаются между несколькими языками прямо посреди разговора. Например, начинают фразу на хинди, вставляют английские названия услуг, а заканчивают на каннада.
Для автоматической расшифровки таких разговоров это головная боль. Особенно когда человек звонит из шумного места по обычной телефонной линии.
Gnani AI специально обучила Prisma v3.0 справляться с подобной речью.
Модель понимает девять индийских языков и английский. Может записывать каждое слово в оригинальной письменности, превращать произнесённые суммы в цифры и правильно распознавать названия компаний или специальные термины.
Разработчик может заранее передать нейросети до 200 таких слов — например, названия банковских продуктов или медицинских препаратов.
А теперь к результатам.
В тестах на наборах записей Vistaar средняя доля ошибок распознавания составила:
Prisma v3.0 — 16,93% ElevenLabs Scribe v2 — 19,98% Microsoft Azure STT — 20,51% Deepgram Nova 3 — 26,57%
Это показатель WER: сколько слов модель пропустила, заменила или добавила по сравнению с правильной расшифровкой. Чем меньше число, тем точнее результат.
По данным Gnani AI, её модель обошла ElevenLabs на всех девяти индийских языках. А в отдельном испытании правильно определяла язык речи в 98% записей продолжительностью более трёх секунд.
Русский язык Prisma v3.0 не поддерживает.