Специалисты по искусственному интеллекту VK усовершенствовали систему автоматического преобразования речи в текст (ASR), основанную на алгоритмах машинного обучения. Обновлённое решение демонстрирует рост точности распознавания на 20% в сравнении с предыдущей итерацией, что положительно сказывается на качестве субтитров, расшифровок голосовых сообщений и аудиокружков в сервисах компании. Об этом CNews сообщили в VK.
Технология ASR выполняет преобразование устной речи в письменный текст: она оцифровывает звуковой сигнал, устраняет фоновые шумы и анализирует акустические особенности для определения произнесённых слов. Крупные языковые модели (LLM) и нейросетевые архитектуры помогают системе улавливать контекст, смысловые связи и устойчивые речевые обороты, благодаря чему итоговый текст становится более естественным и корректным.
Актуальная версия ASR-системы VK прошла дополнительное обучение на расширенном наборе аудиоданных из публичных видеозаписей сервиса «VK Видео», что позволило улучшить понимание скорости и индивидуальных особенностей речи. Согласно результатам внутренних испытаний, модель превосходит зарубежные аналоги и сервисы по показателю качества распознавания (WER) для русскоязычных аудиодорожек видео.
ASR-технологии VK задействованы для генерации субтитров в «VK Видео», «VK Клипах», на платформе «Учи.ру», а также при обработке голосовых сообщений в мессенджере «ВКонтакте». Они также применяются для решения внутренних и инженерных задач, таких как расшифровка совещаний или их краткое изложение, а также для развития мультимодальных моделей в рекомендательной системе Discovery. Обновлённая версия уже функционирует в «VK Видео» и «VK Клипах», используется во внутренних инструментах VK и поэтапно будет интегрирована в другие продукты холдинга. В планах команды AI VK — дальнейшее повышение точности обработки голосовых сообщений, увеличение числа поддерживаемых языков и внедрение диаризации (разделения речи по говорящим).
