Reverb ASR是Rev公司推出的開源自動語音識別和說話人分離模型，基于20萬小時的人工轉錄英語數據訓練而成。模型在長語音識別領域表現卓越，適合處理如播客和財報電話會議等場景。Reverb ASR支持用戶控制輸出文本的逐字程度，支持從完全逐字到非逐字的不同風格，滿足精確轉錄和提高可讀性的需求。Reverb ASR提供多種解碼模式，包括注意力解碼和CTC前綴束搜索，適應不同的識別任務。在長篇幅語音識別方面，Reverb ASR的性能超過現有的開源模型，如OpenAI的Whisper和NVIDIA的Canary-1B。
Reverb ASR的主要功能高精度語音識別：Reverb ASR將英語語音高效準確地轉換成文本。逐字稿控制：用戶根據需要調整輸出的逐字稿程度，從完全逐字到非逐字，適應不同的使用場景。多種解碼模式：支持注意力解碼、CTC貪婪搜索、CTC前綴束搜索、注意力重分和聯合解碼等多種解碼模式。長篇幅語音處理：擅長處理長時間的語音輸入，如播客、會議記錄等。說話人分離：說話人分離技術，有助于區分和識別不同說話人。Reverb ASR的技術原理數據集：Reverb ASR的訓練數據集由20萬小時的英語語音組成，語音由人類專家轉錄，涵蓋多種領域、口音和錄音條件。聯合CTC/注意力架構：Reverb ASR基于結合連接時序分類（CTC）和注意力機制的架構。支持模型在識別語音時同時考慮語音的序列特性和上下文信息。編碼器-解碼器結構：模型用18層的卷積編碼器和6層的雙向注意力解碼器，有助于模型捕捉長期依賴關系和短時語音特征。語言特定層：Reverb ASR在編碼器和解碼器的第一層和最后一層用語言特定層，便于控制輸出的逐字程度。模型量化：提供Int8量化版本的ASR模型，提高模型的推斷速度，減少內存使用，適于對速度和內存敏感的應用。多種解碼模式：Reverb ASR支持多種解碼模式，包括貪婪CTC解碼、CTC前綴束搜索（帶或不帶注意力重分）、注意力解碼和聯合CTC/注意力解碼。Reverb ASR的項目地址GitHub倉庫：https://github.com/revdotcom/reverb/tree/main/asrHuggingFace在線體驗Demo：https://huggingface.co/spaces/Revai/reverb-asr-demoarXiv技術論文：https://arxiv.org/pdf/2410.03930v1Reverb ASR的應用場景播客制作：自動轉錄播客內容，便于編輯和內容管理。會議記錄：在商務會議或學術研討會中，實時生成會議記錄。法庭記錄：提供準確的法庭審理過程記錄，確保法律程序的準確性。語音內容創作：幫助內容創作者將語音轉換成文本，提高工作效率。語言學習：輔助語言學習者進行發音和聽力練習，提供實時反饋。媒體監控：監控廣播、電視或其他媒體的語音內容，便于新聞分析或輿情監控。客戶服務：在呼叫中心自動記錄和分析客戶對話，提高服務質量。 
