先月、英語のストリーミング音声認識で最も高精度なモデルInk-2を公開しました.
本日、二つの新機能を公開します。複雑な専門用語の文字起こし精度を高めるキーワード指定と、速度や精度に合わせて発話終了の判定を調整できるターン検出です。
これにより、エージェントは名前や専門用語をより正確に文字起こしでき、レイテンシと発話終了の判定精度も調整できます。
キーワード指定で認識が難しい用語の精度を高める
ブランド名、薬品名、業界用語は、最良の音声認識モデルでも文字起こしが難しいものです。
キーワード指定では、接続時にkeytermクエリパラメーターで最大100語、合計1,200文字のキーワードを渡せます。Ink-2はレイテンシを増やさずに、これらの語を正しく文字起こししやすくします。
次は、医師が患者に処方の変更を説明する英語の音声です。Ink-2とDeepgram Fluxに同じ三つのキーワードを渡しています。
両方のモデルに指定したキーワード：
ink-2
三つのキーワードをすべて指定どおりに認識
flux-general-en
「Paracetamol」を誤認識
Ink-2のキーワード指定は、人名を正しく認識することにも優れています。
両方のモデルに指定したキーワード：
ink-2
二つのキーワードを指定どおりに認識
flux-general-en
二つとも認識できず
実際の四半期決算説明会をもとにしたベンチマークEarnings22で、キーワードの再現率を測定しています。企業名、ティッカーシンボル、略語など、汎用的な音声認識が苦手とする語彙が含まれます。
キーワード指定時の再現率
高いほど高性能
キーワード指定によって、最も高精度な音声認識モデルであるInk-2の再現率が20%向上します。指定を有効にした場合、Deepgram Fluxはキーワードの13.5%を認識できませんが、Ink-2は6.2%にとどまります。Ink-2の認識漏れは半分未満です。
キーワード指定は、次のような語に適しています。
- 製品名やブランド名（「Cartesia」「Ink-2」）
- 薬品名や医療用語（「semaglutide」「atorvastatin」）
- 発信者のアカウントに登録された名前や住所
- 業界の略語や社内用語
私たちの評価では、企業向けAI専用ベンチマークEVA-BenchでInk-2に測定可能な改善が見られました。航空、ITサービス、人事など、実際の企業の会話に登場する専門用語にも対応しています。評価のたびに見られた改善は、私たちが調整した結果ではなく、Cartesia自身の改良によるものでした。
調整可能なターン検出で、低レイテンシと正確な発話終了判定を選ぶ
ターン検出を調整することで、レイテンシと発話終了の判定精度を用途に合わせ、エージェントとの会話の流れを最適化できます。
Lower latency
発話を早めに終了と判定
間ができるたびに発話を終了と判定して依頼を三つに分け、エージェントが早く返答を始められるようにします。
Higher turn-taking accuracy
発話の終了を長めに待つ
発信者が間を置いても待ち、依頼全体を一つの発話として扱います。
Ink-2の初期設定はバランスを重視していますが、今後はターン検出を自分で調整できます。軽快な会話には低レイテンシを優先し、情報を正しく受け取ることが最優先なら、発話の区切りの正確さを重視できます。接続時に設定することも、通話の進行に合わせてストリーミングの途中で変えることもできます。
今すぐ試す
キーワード指定と調整可能なターン検出は、すべてのInk-2ユーザーが利用できます。キーワード指定とターン検出のドキュメントを確認し、play.cartesia.aiでInk-2をお試しください。