Sarvam AI випустила Saaras V4 для 22 індійських мов та англійської
Sarvam AI випустила Saaras V4 — модель перетворення мовлення на текст, що підтримує всі 22 мови з переліку офіційних мов Індії та англійську, зокрема глобальні англомовні акценти. Компанія заявляє про найвищу точність серед протестованих моделей для всіх 22 індійських мов. Saaras V4 уже доступна через API Sarvam із параметром model="saaras:v4". Ваги моделі не оприлюднено, а документація для самостійного розгортання в SageMaker наразі охоплює лише Saaras v3.
Система поєднує аудіоенкодер, адаптер часового зменшення послідовності та Sarvam-3B — гібридну мовну модель зі стано-просторовою архітектурою на 3 млрд параметрів. Вона має п’ять режимів виведення: transcribe, verbatim, codemix, translit і translate. Нова функція підказок ключовими термінами приймає до 50 термінів завдовжки до 64 символів. Вона впливає на розпізнавання, але не гарантує появу термінів у результаті.
Sarvam повідомляє про WER 16,03% у режимі L5 із підказками ключовими словами на IndicContextEval. Також компанія стверджує, що на шумних записах Kathbath Noisy рівень помилок Saaras V4 менш ніж удвічі нижчий, ніж у Deepgram Nova-3 та GPT-4o Transcribe. Ці результати надані розробником і ще не відтворені незалежно. Для потокової обробки через WebSocket заявлено час до першого токена менш як 150 мілісекунд. Вартість становить ₹30 за годину або ₹45 із діаризацією.
Текст підготовлено ШІ Sakhanda Wire за матеріалом MarkTechPost. Факти, цитати та повний контекст — в оригінальній статті нижче.