BharatGenAI 推出了多語言語音識別模型 Shrutam-2

來自BharatGenAI的開發人員發佈了自動語音識別（ASR）模型的第二個版本，名為Shrutam-2。該系統旨在處理12種印度語言的音頻流，提供多語言環境下的高精度轉錄。

模型架構基於LLM原理，並使用專門的投影器Mixture-of-Experts (MoE)。這種方法可以在處理具有印度地區語言特色的各種語言結構時有效地分配計算資源。模型在內部質量指標上展示了24分的成績，在測試數據集上的處理時間為2小時。

該項目可在Hugging Face平臺上下載。使用Shrutam-2受到非商業許可的限制，這意味著該技術只能用於研究或教育目的。開發人員提供了模型權重以供集成到本地語音處理管道中。

該模型的發佈擴大了用於處理低資源語言的工具集，在這些語言中，標準的全球ASR解決方案往往顯示出不足的有效性。在語音識別任務中轉向MoE架構可以在不需要大量增加參數數量的情況下優化系統的性能，這對於在專用設備上部署至關重要。