标签
一个团队分享了他们如何基于自托管 Pipecat、Mai Transcribe 2、Sarvam 对话式 LLM，以及针对马拉雅拉姆语微调的 VoxCPM2 TTS 构建生产级语音 Agent 技术栈，在单块 L4 GPU 上实现 20 路并发低延迟语音流，并支持 WhatsApp 通话后自动跟进交接。
本文介绍了COILD，这是一个以印度语言为中心的平行语料库，包含超过116万对句子，覆盖20对印度语言，并提供了一个以领域为中心的基准。研究结果表明，在微调多语言模型时，机器翻译性能得到了显著提升。
本文研究了多语言大语言模型在印地语和马拉雅拉语中对语义保持扰动的结构敏感性，结果显示在数学推理性能上有显著下降，并引入了IndicReStruct基准进行评估。
本文介绍了INCLUDE，一个多语言评估基准，用于量化LLMs中以印度为中心的社会文化偏见，揭示非英语印度语言比英语表现出更高的偏见，表明存在跨语言安全对齐差距。
Cartesia更新了其语音生成模型Sonic 3.6，提升了印地语和Hinglish等印度语言的自然度和准确性，并新增支持乌尔都语和奥里亚语。
Indic DiarBench 是一个多语言联合说话人日志与自动语音识别基准，覆盖印度全部22种官方语言，包含108小时人工校正的多说话人音频，捕捉了语码混合、说话人重叠等对话细节。
本文介绍了BHARATI，一组基于SentencePiece BPE的分词器，在针对古典印度语言的平衡多语语料库上训练而成。子词丰富度分析显示，分词效率显著提升，与基线分词器相比，序列长度最多缩短90%，从而提高了下游语言模型的有效上下文长度。
本文提出了一种多模态框架，利用瓶颈编码器和带门控机制的RoBERTa，联合改进印度语言的自动语音识别（ASR）和方言识别（DID）。在包含33种方言的八种语言上评估，该方法实现了81.63%的方言识别准确率，并将CER/WER降低至4.65%/17.73%。
本文对印度语言的精神病学访谈中的多语言临床ASR系统进行了系统性审计，并提出了SamaVaani，一种统一的去偏技术，旨在提升跨人口群体的性能与公平性。
OpenAI 推出了 IndQA，这是一个包含 2,278 个问题的新基准，涵盖 12 种印度语言和 10 个文化领域，旨在评估 AI 模型对现有基准无法捕捉的文化细微差别和推理密集型任务的理解能力。IndQA 由 261 位领域专家创建，针对 MMMLU 等现有多语言基准的饱和问题，重点关注真实世界的文化理解，而不是翻译或多选题任务。