文字起こしを超えて：ASRモデルが200ミリ秒で言葉、感情、意図を提供

要点

• WhissleのMETA-1モデルはCTCデコーダを使用し、200ミリ秒でテキストとメタデータトークンを同時に出力するため、別々のパイプラインが不要。
• KenLM n-gram言語モデルは浅い融合によりCTCビームサーチデコードに統合され、メタデータ機能を損なうことなく文字起こし精度を向上。
• 英語、スペイン語、ドイツ語、ヒンディー語のベンチマークで、Whissle + LMは最大3.6%絶対値のWER削減を達成し、競合他社より9倍高速なメタデータ抽出を実現。
• モデルは方言の変化がある会話調のヒンディー語でも頑健に動作し、実世界での有用性を示す。