适用于电话 AI 代理的域自适应 ASR：适用于企业联络中心应用程序的 微调 Canary Flash 模型

本技术报告介绍了 Botnoi Group 使用 NVIDIA NeMo 框架快速实现 微调 开源 NVIDIA Canary 180M Flash 和 NVIDIA Canary 1B Flash 多任务模型用于语音转文本任务的方法和结果，重点关注电话级音频。为了支持这种适应，我们从实时语音机器人系统录音构建了面向电话的 微调 数据集，并通过面向电话的增强提示语音。我们评估了四个有针对性的实验——语言适应（泰语）、电话鲁棒性、特定领域术语（名称和地址）以及使用延迟的字符错误率（CER）来提高准确性，以及实时因素（RTFx）来提高推理速度。结果表明，微调 显着提高了嘈杂电话环境中的识别能力，将 BOTNOI 电话数据的 CER 从 23.31% 降低到 9.04%，并通过特定于域的适应进一步将关键业务名称和地址的 CER 从 16.98% 提高到 3.78%。总体而言，我们的结果表明，域自适应 微调 增强了关键业务术语，同时保留了生产语音机器人部署的实时响应能力。