Korábbi csata · 2026-06-21 UTC
Speech Recognition Leszámolás — 2026. június 21.
A(z) Speech Recognition kategóriából. 4 jelölés elhelyezve 2 versenyző között. Deepgram szerezte meg a koronát.
Végeredmény
DeepgramA felállás
A versenyzők
Minden eszköz profilja, amely ebben a csatában versenyzett, a végső pontszámuk szerint rangsorolva.
Deepgram
Beszéd-ről szövegre és szövegről beszédre API-k valós idejű hangalkalmazások építéséhez.
A Deepgram egy hangalapú AI platform, amely fejlesztőknek API-kat biztosít hangátírásra és természetesnek hangzó beszéd generálására. Modellei alacsony késleltetésű, nagy pontosságú teljesítményre lettek kialakítva széles nyelvi, akcentus- és hangkörnyezeti skálán, ami miatt alkalmas az élő feliratozásra, híváselemzésre, hangasszisztensekre és beszélgető ügynökökre. A magisztrális átíráson túl a Deepgram olyan funkciókat kínál, mint a beszélői diarizálás, a hangulat- és témafelismerés, egyéni modell betanítása és streamelési támogatás. A platform azokat a fejlesztői csapatokat célozza meg, amelyeknek be kell építeniük a hangfunkciókat a termékekbe anélkül, hogy nulláról kiindulva építenék fel a beszédfelismerési infrastruktúrát.
Kritériumok szétosztása
- Valós idejű streamelés beszéd-ről szövegre
- Neurális szövegről beszéd hangok
- Beszélő azonosítása és szószintű időbélyegek
- Egyéni modell finomhangolás
- Hangintelligencia (hangulat, témák, összefoglalás)
- REST és WebSocket API-k több nyelvű SDK-kkal
A OpenAI Advanced Voice egy azonosító hanginterakciós mód, ami beépítésre került a ChatGPT-be, és lehetővé teszi, hogy a felhasználókat természetes, szabadon folyón beszélhessenek meg egy AI-vel. Támogatja a közelített késleltetésű (low-latency) váltásokat, a megszakításokat és a szemléletes válaszokat, ami arra serkenti, hogy a konverziók jobban érzékelhetők legyenek mint egy személyes beszélgetés az asztali asszisztenssel kínált parancsok és utasítások. A funkció gyakorlatilag az egeren kívüli használatra készült a mobil- és asztali felületeken, támogatja funkciók például a gondolkodási fázist, a nyelvórákat, a számonkérést, és a laza beszélgetést. Felismeri a szólásbeli érzelemkódokat és megváltoztathatja a hangulatot, és többféle hang és nyelvben felel. Ezt az összeset a multimodális modellek hajtják meg OpenAI alapján.
Kritériumok szétosztása
- Valós idejű beszélgetés
- Kiválasztható AI hangok törlése
- Szerződés és fordulat-kezelés
- Érzelmi és tonális megértés
- Az egyeztető beszélgetés nyelvhez
- Egyeztetett a ChatGPT alkalmazásban