aiOla представляет QUASAR для переосмысления того, как работает распознавание речи в производстве

aiOla представила QUASAR, платформу, предназначенную для решения одной из наиболее постоянных проблем в области корпоративного голосового ИИ: непоследовательной производительности распознавания речи в реальных условиях. Вместо того, чтобы блокировать клиентов в рамках одного поставщика автоматического распознавания речи (ASR), QUASAR работает как интеллектуальная шлюз, которая динамически маршрутизирует каждое аудио-взаимодействие к двигателю ASR, который с наибольшей вероятностью будет работать лучше всего в данный момент.

Этот сдвиг имеет значение, поскольку речь становится основным входом для ИИ-ориентированных рабочих процессов в контакт-центрах, соблюдении требований, аналитике, поиске и все чаще автономных агентов ИИ. Хотя показатели бенчмарка часто руководствуются выбором ASR, производственные среды доминируются акцентами, фоновым шумом, терминологией, специфичной для области, и меняющимся качеством сети – факторами, которые могут значительно изменить точность распознавания от одного взаимодействия к другому.

Почему подход “один размер для всех” ASR разрушается в масштабе

Большинство предприятий сегодня развертывают ASR как статическое решение инфраструктуры. Один поставщик выбирается на основе агрегированных бенчмарков, а затем глубоко интегрируется в рабочие процессы. На практике это создает слепые зоны. Двигатель, который отлично работает с чистой, прочитанной речью, может испытывать трудности с акцентированными дикторами или отраслевым сленгом. Другой может хорошо справляться с шумным аудио, но пропустить правильные имена или числовые последовательности, критически важные для соблюдения требований и выставления счетов.

Переключение на другого поставщика для устранения этих пробелов является дорогим и разрушительным, часто требующим повторной тренировки, повторной проверки и простоев. Тем временем новые модели ASR и обновления выпускаются с такой скоростью, что она опережает способность большинства организаций тестировать и采用 их. В результате снижаются показатели содержания, снижаются точность сводок, ослабевают аналитика и увеличиваются накладные расходы на обеспечение качества – все это обусловлено ошибками транскрипции, которые можно было бы избежать.

Внутри архитектуры QUASAR: рассмотрение ASR как динамической проблемы

QUASAR подходит к распознаванию речи как к задаче реального времени. Каждый входящий аудио-запрос оценивается перед транскрипцией, учитывая такие факторы, как характеристики диктора, акустические условия и контекст области. На основе этой оценки система маршрутизирует аудио к двигателю ASR, который с наибольшей вероятностью обеспечит результат наивысшего качества для этого конкретного взаимодействия.

Технически QUASAR функционирует как слой оркестровки, который может работать с коммерческими облачными API, самодостаточными моделями и настраиваемыми развертываниями ASR. Эта абстракция позволяет предприятиям экспериментировать с новыми двигателями, балансировать стоимость и качество, а также избегать долгосрочной блокировки поставщика – все это без изменения приложений, находящихся вниз по потоку.

В основе лежит механизм оценки и ранжирования без надзора, который оценивает варианты ASR в реальном времени. Вместо того, чтобы полагаться исключительно на исторические средние значения, система непрерывно учится в живых условиях, что позволяет принимать решения о транскрипции, которые адаптируются по мере эволюции сред, дикторов и случаев использования.

Производительность в реальных аудио-условиях

В внутренних оценках, охватывающих шесть различных наборов данных бенчмарка – от чистой прочитанной речи и профессиональных выступлений до акцентированного, шумного и отраслевого финансового аудио – QUASAR выбрал лучший вариант ASR с общей точностью 88,8%, или эквивалентным лучшим выбором, когда результаты были эффективно равны. Точность достигала 97% на чистой речи и оставалась в диапазоне 79-88% для более сложного аудио, включающего акценты, шум и специализированную лексику.

Эти результаты подчеркивают ключевое наблюдение: ни один двигатель ASR не последовательно выигрывает во всех сценариях, но интеллектуальная маршрутизация может использовать сильные стороны многих.

Включение голоса как живой инфраструктуры

Разделив качество распознавания речи от фиксированного поставщика, QUASAR превращает ASR в то, что aiOla описывает как “живую инфраструктуру”. Предприятия получают тонкий контроль над производительностью транскрипции на уровне взаимодействия, а также возможность оптимизировать точность, стоимость или задержку в зависимости от случая использования.

Этот подход также ускоряет расширение в новые регионы и отрасли. Вместо того, чтобы ждать, пока один поставщик поддержит язык, акцент или отраслевую лексику, организации могут маршрутизировать трафик к двигателю, который лучше всего подходит для этой ниши сегодня – и переключаться, когда появляются лучшие варианты.

Более широкая видение aiOla для голосовых рабочих процессов

QUASAR строится на более широкой миссии aiOla по созданию голоса как естественного интерфейса для корпоративных систем. Патентованная модель компании выходит за рамки стандартного распознавания речи, сочетая распознавание голоса с интеллектом рабочих процессов для преобразования голосового ввода в структурированные данные в реальном времени. Это позволяет автоматизировать рабочие процессы без участия человека в критически важных отраслях, где ручной ввод данных остается узким местом.

Поддержанная 58 миллионами долларов финансирования и исследовательской командой, aiOla позиционирует голос не только как модальность ввода, но и как основную инфраструктуру для операций, управляемых ИИ. С помощью QUASAR компания расширяет это видение на сам слой ASR – бросая вызов давно устоявшимся предположениям о том, как распознавание речи должно быть развернуто в масштабе.

Когда голос становится основным интерфейсом для агентов ИИ и корпоративных систем, динамическое, контекстно-осведомленное распознавание речи может оказаться необходимым. Запуск QUASAR сигнализирует о переходе от статических выборов моделей к адаптивной, производительности-ориентированной оркестровке – подход, который может изменить то, как вся экосистема голосового ИИ потребляет ASR.