📖 AI 总结

Sarvam AI 发布新一代语音识别模型 Saaras V4，覆盖全部 22 种印度表列语言及英语，并首次纳入全球英语口音。该模型采用编码器-解码器架构，音频编码器提取声学特征后经时间下采样适配器压缩序列，再交由自研的 30 亿参数混合状态空间语言模型 Sarvam-3B 自回归生成转写文本。Sarvam 称其在 22 种语言上均达到当前最优准确率。基准测试显示，Saaras V4 在 7 个英语数据集上取得所测模型最低平均词错误率；在 Vistaar 的 10 种印度语言上同时报告 WER 与引入语义校验的 LLM-WER；在含压缩、削波和强背景噪声的 Kathbath Noisy 集上，其 LLM-WER 不足 Deepgram Nova-3 和 GPT-4o Transcribe 的一半。语言识别错误率在前十大印度语言中为 2.9%，全部 22 种语言为 5.22%。模型已通过 API 开放部署，但权重未公开。