Sarvam AI发布Saaras V4语音转文本模型

发生了什么

据MarkTechPost报道，Sarvam AI已发布Saaras V4语音识别模型。该模型支持22种印度官方语言及全球英语口音，并宣称在所有22种语言中达到最先进水平（SOTA）的准确率。架构上，Saaras V4采用编码器-解码器系统，音频编码器将波形转换为嵌入，时间下采样适配器缩短序列后投影至语言模型空间。解码器为内部从头训练的3B参数混合状态空间模型Sarvam-3B。在评估方面，针对7个英语数据集（含Hugging Face榜单6个及AI4Bharat Svarah），Saaras V4取得了最低的加权错误率（WER）。在Indic语言测试中，基于Vistaar基准，模型在10种语言上报告了WER和LLM-WER结果，后者增加了语义检查以区分真实意义错误与拼写变体。