Gnani AI 发布 Prisma v3.0 语音识别模型，支持 10 种语言

总部位于班加罗尔的 Gnani AI 推出了 Prisma v3.0，这是一款自动语音识别（ASR）模型，旨在转写多语言对话，包括在一句话内于印度语言和英语之间切换的语音。

该模型支持印地语、孟加拉语、马拉地语、古吉拉特语、旁遮普语、卡纳达语、泰卢固语、泰米尔语、马拉雅拉姆语和英语。据该公司称，Prisma v3.0 在 Vistaar 基准测试上录得 16.93 的宏平均词错误率（WER），而 ElevenLabs Scribe v2 为 19.98，Microsoft Azure Speech-to-Text 为 20.51，Deepgram Nova 3 为 26.57。

“我们开发它，是因为正确的转写文本仍然不是可用的转写文本，”Gnani AI 在其公告中表示，并强调了让语音识别对真实世界对话真正有用的挑战。

该模型的表现优于 Prisma 2.5，并针对涉及混合语言语音、口语数字、品牌名称和简短回答的转写错误，这些错误可能影响企业语音应用的准确性。

Prisma v3.0 提供四种转写模式：Verbatim（逐字）、Transcribe（转写）、Code-mix（语码混合）和 Transliterate（音译）。这些模式让用户可以保留填充词和重复内容、生成更干净的文本、保留词语的原始文字，或用英文字母书写语音。

The model also supports custom vocabulary prompting, allowing developers to supply up to 200 terms per request, including product names and technical expressions. Gnani reported that recall of supplied terms increased from 70.9% to 90.3% without additional training or fine-tuning. The company described this result as an upper bound based on an evaluation using public read speech with the relevant terms supplied.

在语言识别方面，Gnani 报告称，在 Vistaar 和 Svarah 数据集上，对时长超过三秒的音频片段，准确率达到 98%。该公司还表示，与 Prisma 2.5 相比，仅含噪声的音频所生成的错误文本从 13.4% 降至 4.2%。

在其语言层面的比较中，Prisma v3.0 在所有九种受支持的印度语言上的 WER 均低于 Microsoft Azure Speech-to-Text。不过，Vistaar 的汇总结果反映的是该基准测试各数据集之间的另一项独立比较。

该模型接受来自应用和互联网语音协议（VoIP）系统的 8 kHz 电话音频和 16 kHz 音频。Gnani 表示，它可以通过云端、混合和本地基础设施部署，包括气隙隔离环境。