Sarvam AI представи Saaras V4 за 22 индийски езика и английски
Sarvam AI пусна Saaras V4 — модел за преобразуване на реч в текст, който обхваща всичките 22 официално признати индийски езика и английски, включително глобални английски акценти. Компанията съобщава за водеща точност при 22-та индийски езика. Моделът е достъпен през API на Sarvam с model="saaras:v4". Теглата му не са публикувани, а наличната документация за самостоятелно хостване в SageMaker се отнася само за Saaras v3.
Архитектурата съчетава аудио енкодер, адаптер за времево намаляване на последователността и Sarvam-3B — хибриден езиков модел с пространствено-състояниен механизъм и 3 млрд. параметъра. Saaras V4 предлага пет режима: transcribe, verbatim, codemix, translit и translate. Функцията за задаване на ключови термини приема до 50 термина с дължина до 64 знака и насочва разпознаването, но не гарантира включването им.
Sarvam отчита WER от 16,03% в настройката L5 за подсказване с ключови думи на IndicContextEval и твърди, че при шумен звук грешките са под половината от тези на Deepgram Nova-3 и GPT-4o Transcribe в Kathbath Noisy. Данните са предоставени от производителя и все още не са независимо възпроизведени. Поточното разпознаване чрез WebSocket има заявено време до първия токен под 150 милисекунди. Цената е ₹30 на час или ₹45 с диаризация.
Текстът е изготвен от ИИ на Sakhanda Wire по материал на MarkTechPost. Фактите, цитатите и пълният контекст са в оригиналната статия по-долу.