Yapay zeka modelleri ve platformları
aiOla, konuşma tanımanın gerçek kullanımda nasıl çalıştığını yeniden düşünmek için QUASARʼı tanıtıyor

Öne çıkan noktalarQUASAR, her benzersiz etkileşim için sesi en iyi ASR motoruna dinamik olarak…
Daha fazla göster
- QUASAR, her benzersiz etkileşim için sesi en iyi ASR motoruna dinamik olarak yönlendirir.
- Hiçbir ASR sağlayıcısı, tüm gerçek dünya aksanları, gürültü ve kelime dağarcığında üstün performans gösteremez.
- aiOla'nın platformu, konuşma tanımayı sabit bir satıcı seçimi olarak değil, uyarlanabilir bir altyapı olarak ele alır.
aiOla, işletmedeki en büyük sorunlardan biri olan gerçek dünya koşullarındaki tutarsız konuşma tanıma performansı sorununu çözmek üzere tasarlanan QUASAR platformunu tanıttı. Müşterileri tek bir otomatik konuşma tanıma (ASR) sağlayıcısına kilitlemek yerine, QUASAR her bir ses etkileşimini o anda en iyi performansı gösteren ASR motoruna yönlendiren akıllı bir ağ geçidi olarak çalışır.
Bu değişiklik, konuşmanın AI destekli iş akışlarının temel girdisi haline geldiği çağrı merkezleri, uyum, analiz, arama ve giderek artan şekilde özerk AI ajanları açısından önemlidir. Benchmark puanları genellikle ASR seçimini yönlendirse de, gerçek kullanım ortamlarında aksanlar, arka plan gürültüsü, alana özgü terimler ve değişen ağ kalitesi belirleyicidir – bu faktörler bir etkileşimden diğerine tanınma doğruluğunu dramatik bir şekilde değiştirebilir.
Neden Tek Boyutlu ASR Büyük Ölçekli Olarak Bozulur
Bugün çoğu işletme, ASR’ı statik altyapı kararı olarak dağıtır. Tek bir sağlayıcı, toplu benchmark’ler temelinde seçilir ve sonra iş akışlarına derinlemesine gömülür. Uygulamada bu, kör noktalar oluşturur. Temiz, okunmuş konuşmada mükemmel olan bir motor, aksanlı konuşmacılar veya endüstriye özgü sözcükler ile mücadele edebilir. Başka bir motor gürültülü sesi iyi işleyebilir ancak özel isimler veya numaralı dizileri kaçırabilir – bunlar uyum ve faturalama için kritiktir.
Bu boşlukları gidermek için sağlayıcıları değiştirmek pahalı ve kesintiye neden olur, genellikle yeniden eğitim, yeniden doğrulama ve operasyonel kapalı zaman gerektirir. Bu arada, yeni ASR modelleri ve güncellemeleri, çoğu organizasyonun test etme ve benimseme yeteneğinin ötesinde bir hızda yayımlanır. Sonuç, insan müdahalesi olmadan çözülen etkileşimlerin daha düşük oranı, yanlış özetler, daha zayıf analizler ve daha yüksek kalite güvence masraflarıdır – tümü transkript hatalarından kaynaklanır ve önlenebilirdi.
QUASAR Mimarisi İçinde: ASR’ı Dinamik Bir Problem Olarak ele almak
QUASAR, konuşma tanımayı gerçek zamanlı bir optimizasyon sorunu olarak ele alır. Her gelen ses isteği, transkript öncesi değerlendirilir ve konuşmacı özellikleri, akustik koşullar ve alan bağlamı gibi faktörler dikkate alınır. Bu değerlendirmeye dayanarak, sistem sesi o belirli etkileşim için en yüksek kaliteli sonucu sağlayabilecek ASR motoruna yönlendirir.
Teknik olarak, QUASAR ticari bulut API’leri, self-hosted modeller ve özel ASR dağıtımları boyunca çalışan bir orkestrasyon katmanı olarak işlev görür. Bu soyutlama, işletmelerin yeni motorlarla denemek, maliyet ve kalite arasında dengelemek ve uzun vadeli satıcı kilidini önlemek için downstream uygulamaları değiştirmeden olanak sağlar.
Merkezinde, ASR seçeneklerini gerçek zamanlı olarak puanlayan ve sıralayan bir gözetimsiz değerlendirme ve sıralama mekanizması bulunur. Sadece geçmiş ortalama değerlerine güvenmek yerine, sistem canlı koşullardan sürekli olarak öğrenir, bu da ortamlar, konuşmacılar ve kullanım durumları geliştikçe uyarlanabilen transkript kararları sağlar.
Gerçek Dünya Ses Koşullarında Performans
İç değerlendirmelerde, altı çeşitli benchmark veri seti – temiz okunmuş konuşmadan, profesyonel konuşmalardan, aksanlı, gürültülü ve alan özgü finansal seslere kadar – QUASAR, en iyi çalışan ASR seçeneğini %88,8’lik genel doğruluk oranıyla seçti veya sonuçlar pratikte berabere olduğunda eşdeğer bir üst seçimi yaptı. Doğruluk, temiz konuşmada %97’ye ulaştı ve daha zorlu seslerde – aksan, gürültü ve özel sözcükler – %79-88 aralığında kaldı.
Bu sonuçlar, önemli bir iç görüyü vurgular: hiçbir tek ASR motoru tüm senaryolarda tutarlı bir şekilde kazanmaz, ancak akıllı yönlendirme birçok motorun gücünü yakalayabilir.
Sesin Canlı Altyapısını Etkinleştirme
Konuşma tanıma kalitesini sabit bir sağlayıcıdan ayırarak, QUASAR aiOla’nın “canlı altyapı” olarak adlandırdığı şeyi oluşturur. İşletmeler, etkileşim düzeyinde transkript performansı hakkında ayrıntılı görünürlük kazanır ve kullanım durumuna bağlı olarak doğruluk, maliyet veya gecikme için optimize edebilir.
Bu yaklaşım ayrıca yeni bölgelere ve dikeylere genişlemeyi hızlandırır. Bir sağlayıcı bir dili, aksanı veya endüstriye özgü terminolojiyi desteklemek için beklemek yerine, organizasyonlar trafiği o niş için en uygun motora yönlendirebilir ve daha iyi seçenekler ortaya çıktıkça değiştirebilir.
aiOla’nın Sesle Çalışan İş Akışları için Geniş Vizyonu
QUASAR, aiOla’nın işletmelerdeki sistemlerin doğal arayüzü olarak sesi yapmak amacıyla inşa edilmiştir. Şirketin patentli modelleri, standart konuşmadan metne dönüştürmenin ötesine geçer ve ses tanıma ile iş akışı zekasını birleştirerek konuşulan girdiyi yapılandırılmış, gerçek zamanlı verilere dönüştürür. Bu, elle veri girişinin hala bir engel olduğu kritik sektörlerde elleri kullanmadan otomasyon sağlar.
58 milyon dolarlık fon ve araştırma odaklı bir ekiple desteklenen aiOla, sesi yalnızca bir girdi modalitesi olarak değil, aynı zamanda AI destekli operasyonlar için temel altyapı olarak konumlandırıyor. QUASAR ile şirket, bu vizyonu ASR katmanına kendisi genişletiyor ve büyük ölçekli konuşma tanıma dağıtımı hakkında uzun süredir var olan varsayımları sorguluyor.
Ses, AI ajanları ve işletmeler için birincil arayüz haline geldikçe, dinamik, bağlam bilinci konuşma tanıma temel olabilir. QUASAR’ın lansmanı, statik model seçiminden adaptif, performans odaklı orkestrasyona doğru bir hareketi işaret ediyor – bu, tüm ses AI ekosisteminin ASR’ı tüketme şeklini yeniden şekillendirebilir.












