AI-modeller og plattformer

aiOla introduserer QUASAR for å tenke nytt om hvordan talegjenkjenning fungerer i produksjon

Antoine Tardif
Legg til Unite.AI blant dine foretrukne kilder på Google
Viktige punkterQUASAR dirigerer lyd dynamisk til den beste talegjenkjenningsmotoren for hver enkelt…
Vis mer
  • QUASAR dirigerer lyd dynamisk til den beste talegjenkjenningsmotoren for hver enkelt interaksjon.
  • Ingen enkelt talegjenkjenningsleverandør utmerker seg på tvers av alle dialekter, støy og ordforråd i virkelige situasjoner.
  • aiOlas plattform behandler talegjenkjenning som tilpasningsdyktig infrastruktur, ikke et fast leverandørvalg.

aiOla har lansert QUASAR, en plattform designet for å løse ett av de mest vedvarende problemene i bedriftens stemme-AI: inkonsistent talegjenkjenning under virkelige forhold. I stedet for å låse kundene til en enkelt automatisk talegjenkjenning (ASR)-leverandør, fungerer QUASAR som en intelligent portal som dynamisk ruter hver lydinteraksjon til ASR-motoren som er mest sannsynlig å fungere best på det gitte tidspunktet.

Dette skiftet har betydning da tale blir en sentral inndatakilde for AI-drevne arbeidsflyter over kontakt-sentre, overholdelse, analyse, søk og stadig mer, autonome AI-agenter. Mens benchmark-poeng ofte veileder ASR-utvalg, er produksjonsmiljøer dominert av aksenter, bakgrunnsstøy, bransjespesifikk terminologi og varierende nettverkskvalitet – faktorer som kan dramatisk endre gjenkjenningens nøyaktighet fra en interaksjon til en annen.

Hvorfor en-størrelse-passer-til-alle ASR bryter sammen i skala

De fleste bedrifter i dag distribuerer ASR som en statisk infrastruktur-beslutning. En enkelt leverandør blir valgt basert på aggregerte benchmark, og deretter dypt integrert i arbeidsflyter. I praksis skaper dette blinde flekker. En motor som utmerker seg i ren, lest tale kan ha problemer med aksenterte talere eller bransje-tyngde vokabular. En annen kan håndtere støyende lyd godt, men savne egennavn eller numeriske sekvenser kritiske for overholdelse og fakturering.

Bytte leverandør for å håndtere disse gapene er dyrt og forstyrrende, ofte krever om-trening, om-validering og operasjonell nedtid. I mellomtiden blir nye ASR-modeller og oppdateringer lansert i en takt som overstiger de fleste organisasjoners evne til å teste og adoptere dem. Resultatet er en lavere andel henvendelser som løses uten menneskelig hjelp, uakkurate sammenfatninger, svakere analyse, og mer arbeid med kvalitetssikring – alt drevet av transkripsjonsfeil som kunne ha blitt unngått.

Inne i QUASARs arkitektur: Behandling av ASR som et dynamisk problem

QUASAR nærmer seg talegjenkjenning som en utfordring med optimalisering i sanntid. Hver innkommende lydforespørsel blir evaluert før transkripsjon, med hensyn til faktorer som talertrekk, akustiske forhold og domenekontekst. Basert på denne vurderingen, ruter systemet lyden til ASR-motoren som er mest sannsynlig å levere den høyeste kvaliteten for den spesifikke interaksjonen.

Teknisk fungerer QUASAR som et orkestreringslag som kan fungere over kommersielle sky-API-er, selv-vertede modeller og tilpassede ASR-distribusjoner. Denne abstraksjonen tillater bedrifter å eksperimentere med nye motorer, balansere kostnad mot kvalitet, og unngå langvarig leverandør-lås – uten å endre nedstrøms-applikasjoner.

I kjernen er det en usupervisert vurderings- og rangeringsmekanisme som scorer ASR-alternativer i sanntid. I stedet for å bare stole på historiske gjennomsnitt, lærer systemet kontinuerlig fra sanntidsforhold, og muliggjør transkripsjonsbeslutninger som tilpasser seg når miljøer, talere og brukstilfeller utvikler seg.

Ytelse under virkelige lydforhold

I interne evalueringer som omfatter seks forskjellige benchmark-datasett – fra ren lest tale og profesjonelle taler til aksenterte, støyende og bransjespesifikke finansielle lyder – valgte QUASAR det beste ASR-alternativet med 88,8% total nøyaktighet, eller et likeverdig førstevalg når resultatene i praksis var like. Nøyaktigheten nådde så høyt som 97% på ren tale og holdt seg i området 79-88% for mer utfordrende lyd med aksenter, støy og spesialisert vokabular.

Disse resultater fremhever en viktig innsikt: ingen enkelt ASR-motor vinner konsekvent over alle scenarioer, men intelligent ruting kan fange styrkene til mange.

Aktivering av tale som levende infrastruktur

Ved å frikoble talegjenkjenningskvaliteten fra en fast leverandør, gjør QUASAR ASR til det aiOla beskriver som “levende infrastruktur”. Bedrifter får detaljert innsikt på transkripsjonsytelse på interaksjonsnivå, sammen med evnen til å optimalisere for nøyaktighet, kostnad eller latency avhengig av brukstilfelle.

Denne tilnærmingen akselerer også utvidelse til nye regioner og vertikaler. I stedet for å vente på at en enkelt leverandør skal støtte et språk, aksent eller bransjespesifikt vokabular, kan organisasjoner rute trafikk til motoren som er best egnet for den nisjen i dag – og bytte når bedre alternativer oppstår.

aiOlas bredere visjon for stemme-drevne arbeidsflyter

QUASAR bygger på aiOlas bredere misjon om å gjøre tale til det naturlige grensesnittet for bedriftssystemer. Selskapets patenterte modeller går ut over standard tale-til-tekst, kombinere talegjenkjenning med arbeidsflyt-intelligens for å konvertere tale-input til strukturert, sanntids-data. Dette muliggjør håndfri automatisering over kritiske industrier hvor manuell datainntasting fortsatt er en flaskehals.

Støttet av 58 millioner dollar i finansiering og et forsknings-drevet team, posisjonerer aiOla stemme ikke bare som en inndata-modus, men som grunnleggende infrastruktur for AI-drevne operasjoner. Med QUASAR, utvider selskapet denne visjonen til ASR-laget selv – og utfordrer langvarige antagelser om hvordan talegjenkjenning bør deployeres i skala.

Ettersom tale blir det primære grensesnittet for AI-agenter og bedriftssystemer, kan dynamisk, kontekst-avhengig talegjenkjenning vise seg å være essensiell. QUASARs lansering signaliserer en bevegelse bort fra statiske modellvalg mot adaptiv, ytelses-drevet orkestrering – en tilnærming som kunne omforme hvordan hele stemme-AI-økosystemet forbruker ASR.

Antoine er en visjonær leder og medgrunnlegger i Unite.AI, drevet av en urokkelig lidenskap for å forme og fremme fremtiden for AI og robotikk. Som seriegründer mener han at AI vil forandre samfunnet like grunnleggende som elektrisiteten, og han snakker ofte begeistret om potensialet i banebrytende teknologier og kunstig generell intelligens (AGI).

Som futurist er han opptatt av å utforske hvordan disse innovasjonene vil forme verden. Han er også grunnlegger av Securities.io, en plattform som fokuserer på investeringer i avanserte teknologier som omdefinerer fremtiden og omformer hele bransjer.