Anuvani-LID 印度语语音识别模型论文发布

Stephen Fernandes 与 Narayan Choudhary 提交论文，发布 115M 参数的 Conformer 语音语种识别模型 Anuvani LID，基于 54,643 小时印度语音训练，覆盖 22 种印度语言及印度口音英语。作者称，模型在 37 项测试条件下平均 macro-F1 达 0.914，比 Gemini 3.5 Flash 高 5.2 分，并领先另外 14 个系统；1 秒音频输入下领先 Gemini 24 分，全部 23 种语言得分为 0.897，而据其称其他系统均未超过 0.713，校准误差 ECE 为 0.008。 作者还称，在相同片段上 Whisper 及类似语音模型仅覆盖 23 种语言中的 15 种；1 秒输入下 Gemini 3.5 Flash 的 macro-F1 为 0.52，GPT-audio 为 0.14。上述性能与对比均为论文作者的说法。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。