Desert Ant Labs выпустила модель Voz для локального распознавания речи

Компания Desert Ant Labs представила Voz — специализированную модель для распознавания речи, предназначенную для работы исключительно на устройствах Apple. Решение полностью использует ресурсы встроенного нейронного движка Apple Neural Engine, обеспечивая конфиденциальность обработки данных без обращения к облачным серверам.

Модель поддерживает транскрибацию на 25 языках и предоставляет временные метки на уровне отдельных слов. Согласно результатам тестирования, средний показатель частоты ошибок распознавания (WER) составляет 7,40%. При работе с длинными аудиозаписями точность возрастает, а WER снижается до 2,83%.

Архитектура оптимизирована для работы в экосистеме Apple, что позволяет интегрировать функционал распознавания голоса в нативные приложения без значительной нагрузки на центральный процессор. Модель доступна для загрузки на платформе Hugging Face, где разработчики могут ознакомиться с весами и документацией для внедрения в собственные проекты.

Выпуск Voz расширяет возможности локальной обработки аудио для разработчиков под macOS и iOS. Использование аппаратного ускорения Neural Engine позволяет снизить энергопотребление при выполнении задач транскрибации в реальном времени, что критично для мобильных устройств и ноутбуков.