Trong bối cảnh các ứng dụng hội thoại AI và phiên dịch trực tiếp ngày càng phổ biến, dự án 'Realtime-ASR' trên GitHub đã ra mắt và nhanh chóng thu hút sự chú ý. Dự án này cung cấp một framework nhận diện giọng nói (Automatic Speech Recognition - ASR) thời gian thực với độ trễ dưới 100ms, thấp hơn đáng kể so với các giải pháp thương mại hiện có.
Điểm nổi bật của 'Realtime-ASR' là khả năng xử lý đa ngôn ngữ và phương ngữ. Trong khi các hệ thống ASR trước đây thường gặp khó khăn với các phương ngữ địa phương, 'Realtime-ASR' được huấn luyện trên dữ liệu giọng nói đa dạng từ nhiều quốc gia và vùng miền. Đặc biệt, dự án có hỗ trợ tốt cho tiếng Việt, một ngôn ngữ được coi là khó xử lý do hệ thống thanh điệu phức tạp. Theo tài liệu, độ chính xác nhận diện tiếng Việt đạt 95% trong điều kiện phòng thí nghiệm và 88% trong điều kiện thực tế.
Cộng đồng phát triển đã đóng góp nhiều tính năng hữu ích. Một tác giả từ Canada đã thêm hỗ trợ cho các bộ xử lý NPU trên các thiết bị di động, cho phép chạy ASR trực tiếp trên điện thoại mà không cần kết nối internet. Một nhóm từ Việt Nam đã phát triển một plugin để tích hợp 'Realtime-ASR' với các trợ lý ảo tiếng Việt, giúp cải thiện độ chính xác và tốc độ phản hồi. Dự án hiện có hơn 3,000 stars và được sử dụng bởi hàng chục ứng dụng hội thoại AI.
Một tính năng mới được thêm vào là 'Speaker Diarization', cho phép phân biệt và gán nhãn cho các người nói khác nhau trong một cuộc hội thoại. Tính năng này đặc biệt hữu ích cho các ứng dụng như ghi chú cuộc họp, phiên dịch trực tiếp và phân tích nội dung podcast. Theo tác giả chính của dự án, anh Minh Tran, 'Mục tiêu của chúng tôi là làm cho công nghệ ASR thời gian thực trở nên dễ tiếp cận và miễn phí cho tất cả mọi người, đặc biệt là các nhà phát triển tại các quốc gia đang phát triển.'