VK улучшила технологии определения речи: точность выросла на 20%
Команда AI VK обновила технологию автоматического определения речи (ASR), повысив ее точность на 20% по сопоставлению с предшествующей версией. Улучшения затрагивают свойство субтитров, расшифровок голосовых сообщений и «кружочков» в продуктах VK.
ASR-технология переводит глас в текст, очищая звук от шумов и анализируя индивидуальности речи. VK употребляет сочетание ML-моделей, LLM и нейросетей: они помогают системе лучше осознавать контекст, устойчивые выражения и смысловые связи, по этому текст выходит наиболее естественным.
Освеженная версия была дообучена на расширенном датасете аудиодорожек из общественных роликов VK Видео, что позволило модели поточнее интерпретировать различные темпы и манеру речи. По итогам внутренних тестов, ASR VK превосходит забугорные аналоги по качеству определения (WER) русских аудио.
Разработка употребляется в:
- VK Видео и VK Клипах – для автоматических субтитров;
- Учи.ру – для образовательных сценариев;
- ВКонтакте – для расшифровки голосовых сообщений;
- внутренних инженерных сервисах VK – для транскрибации встреч, суммаризации и улучшения мультимодальных моделей Discovery.
Освеженная ASR уже внедрена в VK Видео и VK Клипы и будет равномерно встраиваться в остальные продукты группы. В планах AI VK – предстоящее увеличение точности определения голосовых сообщений, добавление диаризации (разделение по голосам) и расширение языковой поддержки.