BharatGenAI представила многоязычную модель распознавания речи Shrutam-2

Разработчики из BharatGenAI выпустили вторую версию модели автоматического распознавания речи (ASR) под названием Shrutam-2. Система предназначена для обработки аудиопотоков на 12 индийских языках, обеспечивая высокую точность транскрипции в условиях многоязычной среды.

Архитектура модели базируется на принципах LLM и использует специализированный проектор Mixture-of-Experts (MoE). Такой подход позволяет эффективно распределять вычислительные ресурсы при обработке различных лингвистических структур, характерных для региональных языков Индии. Модель демонстрирует результат в 24 балла по внутренней метрике качества при времени обработки 2 часа на тестовом наборе данных.

Проект доступен для загрузки на платформе Hugging Face. Использование Shrutam-2 ограничено некоммерческой лицензией, что подразумевает применение технологии исключительно в исследовательских или образовательных целях. Разработчики предоставили доступ к весам модели для интеграции в локальные конвейеры обработки речи.

Выпуск данной модели расширяет инструментарий для работы с низкоресурсными языками, где стандартные глобальные ASR-решения часто показывают недостаточную эффективность. Переход на MoE-архитектуру в задачах распознавания речи позволяет оптимизировать производительность системы без необходимости кратного увеличения количества параметров, что критически важно для развертывания на специализированном оборудовании.