Amazon Transcribe新一代语音基础模型驱动的ASR系统，支持100多种语言

# 划重点

1. 🎙️ **多语言支持:** Amazon Transcribe推出的新一代语音基础模型涵盖100多种语言，提供全面的自动语音识别（ASR）服务。

2. 🚀 **性能提升:** 利用语音基础模型，Amazon Transcribe在大多数语言中实现20%至50%的显著准确度提升，尤其在电话语音等挑战性领域中提高了30%至70%的准确度。

3. 🌐 **全面功能:** 新ASR系统支持多种特性，包括自动标点、自定义词汇、自动语言识别、说话人分离等，提供更准确的输出并有效嵌入语音技术。

亚马逊宣布推出全新一代语音基础模型驱动的ASR系统，将自动语音识别服务扩展到支持100多种语言。Amazon Transcribe是一项完全托管的ASR服务，使您能够轻松地将语音转换为文本，并在应用程序中添加语音到文本的功能。

新的语音基础模型是通过最先进的自监督算法训练而成，以学习跨语言和口音的人类语音的固有普遍模式。它经过数百万小时的未标记音频数据的训练，涵盖100多种语言。通过智能数据采样优化训练配方，平衡了不同语言之间的训练数据，确保传统上代表性不足的语言也能达到高准确度水平。

图源备注：图片由AI生成，图片授权服务商Midjourney

软件公司Carbyne是开发云端紧急呼叫响应解决方案的代表，通过Amazon Transcribe实现AI驱动的实时音频翻译，改善了对那些在家中使用非英语的6800万美国人以及每年访问该国的多达7900万外国游客的紧急响应。借助新的多语言基础模型，Carbyne将更好地实现紧急服务的民主化，确保每个人都能受益。

通过利用语音基础模型，Amazon Transcribe在大多数语言中实现了20%至50%的显著准确度提升。在电话语音等具有挑战性和数据稀缺领域，准确度提高了30%至70%。除了显著的准确度提升外，这一大型ASR模型还通过更准确的标点和大写提高了可读性。随着生成式AI的发展，成千上万的企业正在使用Amazon Transcribe从其音频内容中解锁丰富的见解。

新ASR系统提供了许多关键功能，涵盖100多种语言，包括使用方便、定制化、用户安全和隐私。这些功能包括自动标点、自定义词汇、自动语言识别、说话人分离、单词级置信度分数和自定义词汇过滤器。系统对不同口音、噪音环境和声学条件的支持扩展，使您能够产生更准确的输出，并有效地嵌入语音技术到您的应用程序中。

由于Amazon Transcribe在不同口音和噪音条件下的高准确性，支持多种语言，以及广泛的增值功能集，成千上万的企业将能够从其音频内容中解锁丰富的见解，提高其音频和视频内容在各个领域的可访问性和可发现性。例如，联系中心使用Amazon Transcribe转录和分析客户呼叫，以识别见解并随后提高客户体验和代理效率。内容制作者和媒体分销商使用Amazon Transcribe自动生成字幕，以提高内容的可访问性。

开始使用Amazon Transcribe非常简单，您可以使用AWS命令行界面（AWS CLI）、AWS管理控制台和各种AWS SDK进行批量转录，并继续使用相同的StartTranscriptionJob API从增强的ASR模型中获得性能优势，而无需在您的端口进行任何代码或参数更改。上传媒体文件到Amazon Simple Storage Service(Amazon S3)存储桶是第一步，该对象存储服务可从任何地方存储和检索任意量的数据。您可以选择将转录保存在自己的S3存储桶中，或者让Amazon Transcribe使用安全的默认存储桶。

Amazon Transcribe使用JSON表示其输出，提供两种不同的格式:文本格式和分项格式。根据创建转录作业时选择的功能，Amazon Transcribe创建转录结果的其他和丰富的视图。

在AWS的不断创新下，通过将Amazon Transcribe的语言支持扩展到100多种语言，我们使客户能够为来自不同语言背景的用户提供服务。这不仅提高了可访问性，还在全球范围内开辟了新的沟通和信息交流途径。要了解本文讨论的功能的更多信息，请查看功能页面和新功能帖子。