Folia
← 返回头版

Canto:为现实世界打造的语音模型

Wispr Advanced Interfaces Lab推出了Canto语音模型,专门面向实际听写应用场景设计1。该模型在由2,300多名独特说话者组成、包含10小时英语听写数据的真实评估集上实现了最低的词错率(WER),超越Google、OpenAI、AssemblyAI和Deepgram等竞争对手的模型1。在3小时挑战评估集的实时转录模型中,Canto排名最低WER,仅次于Gemini 3.1 Pro(但后者不适合实时低延迟应用)1。同时,Canto在LibriSpeech公开基准上与竞争对手并列最低WER1。

Canto采用两阶段训练方式,结合监督微调和强化学习方法1。具体来说,该模型使用Group Relative Policy Optimization(GRPO)技术,通过比较候选转录本的相对奖励来指导训练过程1。这种训练方式使其能在背景噪音、低音量和短听写等具有挑战性的条件下保持良好性能1。

后续模型将在Canto规模的十倍以上进行训练,改进目标包括增强困难音频条件下的识别能力、提升多说话者识别效果以及拓展多语言支持1。


评论