Két új funkcióval bővült a Cartesia Ink-2 beszédfelismerő modellje
A Cartesia két új funkcióval egészítette ki Ink-2 beszédfelismerő modelljét: a kulcsszavas befolyásolással pontosabban írhatók át a nevek és szakterminusok, az állítható fordulófelismeréssel pedig a késleltetés és a pontosság hangolható.
- Az Ink-2 kapcsolatnyitáskor legfeljebb 100 kulcsszót és 1200 karaktert támogat.
- A Cartesia tesztjében az Ink-2 93,8 százalékos kulcsszó-visszahívást ért el.
- Az állítható fordulófelismerés a késleltetés és a pontosság között hangolható.
- A két funkció minden Ink-2-felhasználó számára elérhető.
Kulcsszavakkal javítható a nehéz kifejezések felismerése
A Cartesia augusztus 11-i bejelentése szerint az Ink-2 új kulcsszavas befolyásolást kapott. A funkcióval a kapcsolat megnyitásakor legfeljebb 100 kulcsszó adható meg, összesen legfeljebb 1200 karakterben, a keyterm lekérdezési paraméter használatával. A modell ezek helyes átírására hangolja a felismerést, a Cartesia szerint többletkésleltetés nélkül.
A megoldás olyan kifejezésekhez készült, amelyek az általános beszédfelismerő rendszerek számára nehezek lehetnek. Ide tartoznak a termék- és márkanevek, a gyógyszernevek, a klinikai terminusok, az ügyfél fiókjában szereplő nevek és címek, valamint az iparági rövidítések és belső szakkifejezések.
A cég példái szerint ugyanazt a három kulcsszót, a Paracetamol, Ibuprofen és Aspirin neveket adták meg az Ink-2 és a Deepgram Flux számára. Az Ink-2 mindhárom kifejezést a megadott formában írta át, míg a Flux a Paracetamol nevét hibásan ismerte fel. Egy másik tesztben a Sarita Singh nevet az Ink-2 mindkét elemével helyesen adta vissza, a Flux viszont mindkettőt elvétette.
Az Earnings22 tesztben is jobb volt a kulcsszó-visszahívás
A Cartesia az Earnings22 nevű teszten is mérte a funkciót. Ez a valós negyedéves eredménybeszámolókból felépített mérés vállalatneveket, tőzsdei azonosítókat és rövidítéseket tartalmaz, vagyis olyan szókincset, amely a cég szerint az általános célú beszédfelismerőknek gyakran nehézséget okoz.
A Cartesia 2026 augusztusi értékelésében az Ink-2 93,8 százalékos kulcsszó-visszahívást ért el. A Deepgram Flux 86,5, az ElevenLabs Scribe v2 Realtime 90,5, a Soniox RT v5 pedig 91,8 százalékot ért el. A Cartesia szerint a kulcsszavas befolyásolás 20 százalékkal javítja az Ink-2 visszahívását.
A vállalat közlése alapján a funkció használatakor a Flux a kulcsszavak 13,5 százalékát nem ismeri fel, az Ink-2 viszont 6,2 százalékot vét el. A Cartesia szerint ez azt jelenti, hogy az Ink-2 kevesebb mint feleannyi kulcsszót hibázik el.
Joyce Li, a Cartesia AI-termékfelelőse azt írta, hogy az Ink-2 a vállalat saját, EVA-Bench nevű vállalati AI-tesztjén is mérhetően javult. Szerinte a modell jól teljesít a légitársasági, informatikai szolgáltatási és HR-beszélgetésekben előforduló szakterminológiával, a mérések közötti javulást pedig a Cartesia saját fejlesztései okozták.
A fordulófelismerés a gyorsasághoz vagy a pontossághoz igazítható
A másik újdonság az állítható fordulófelismerés. Ez határozza meg, hogy a rendszer mikor tekinti lezártnak a beszélő fordulóját, így az ügynökök beszélgetési folyamata a használati esethez igazítható.
Alacsonyabb késleltetésre állítva a rendszer hamarabb zárja le a fordulót. Ilyenkor minden szünetnél lezárhatja a kérést, ezért egy hosszabb mondanivaló akár három részre is szétválhat, és az ügynök korábban kezdheti meg a választ. Magasabb fordulóváltási pontosság mellett a rendszer tovább vár a beszélő szüneteiben, így a teljes kérés egyetlen fordulóként maradhat meg.
Az Ink-2 kiegyensúlyozott alapbeállítással érkezik, de a felhasználó dönthet arról, hogy a gyorsabb válaszidőt vagy a pontosabb fordulófelismerést részesíti előnyben. A beállítás a kapcsolat megnyitásakor adható meg, és a hívás közben, adatfolyam feldolgozásakor is módosítható.
A Cartesia közlése szerint mindkét funkció azonnal elérhető az Ink-2 valamennyi felhasználója számára. A vállalat dokumentációt biztosít a kulcsszavas befolyásoláshoz és a fordulófelismeréshez, az Ink-2 pedig a play.cartesia.ai oldalon próbálható ki.
