AI Aulis

AI-UUTISET SUOMEKSI · 18.11.2026

Tekoälyalan tärkeimmät uutiset joka aamu. Tekoäly kirjoittaa ja tarkastaa jutut alkuperäisiä lähteitä vasten – tarkista tärkeät tiedot lähteistä.

32 juttua · seuraava numero huomenna aamulla · Miten lehti tehdään →

← Numero 18.11.2026Lehti

AssemblyAI:n testissä uusi malli vähensi taustapuhetta ja hukattuja lyhyitä vastauksia

Tekoälyn tuottama sisältöTekoälyn kirjoittama

github.com, assemblyai.com, nocode.mba · 3 lähdettä · Lähteet julkaistu: 17.11.2026 · osan lähteistä ajankohta ei tiedossa

AssemblyAI:n omassa 12 460 puhelun testissä uusi puheagenttien tunnistusmalli kirjasi edeltäjäänsä 47 % vähemmän taustapuhetta ja hukkasi 38 % vähemmän yhden tai kahden sanan vastauksia. Yhtiön mukaan toisen virheen vähentäminen yleensä lisää toista.

AssemblyAI on julkaissut puheentunnistusmallin AssemblyAI-STT-3.7-Realtime-Agent puheagentteihin eli ohjelmiin, jotka hoitavat puhelun ja vastaavat soittajalle. Ilya Sklyar perustelee yhtiön tutkimusblogissa, miksi kahta virhetyyppiä pitää mitata yhdessä.

Hiljainen ”kyllä” ja taustapuhujan yksittäinen sana ovat äänenä samanlaisia: lyhyitä ja vaimeita. Jos järjestelmä nostaa puheen havaitsemisen kynnystä tai vaimentaa melua, se karsii molemmat. Taustapuhe vähenee siksi yleensä vain, jos vastauksia hukkuu enemmän. Alan tavallisin mittari, sanavirheaste eli väärin tunnistettujen, puuttuvien ja ylimääräisten sanojen osuus, ei paljasta kumpaakaan virhettä: ne koskevat vain prosentin murto-osaa sanoista.

AssemblyAI:n ratkaisu on konteksti. Malli saa jokaista vuoroa varten olennaista ääntä puhelun aiemmista vaiheista ja aiemmat repliikit, kuten agentin juuri esittämän kysymyksen. Koulutusaineiston äänitteissä taustaäänet kuuluivat, mutta tavoitetekstiin niitä ei kirjattu. Yhtiön mukaan vaimennus toimii useimmissa puheluympäristöissä ilman asetuksia, mutta jos toinen puhuja on lähellä mikrofonia, se suosittaa near-field voice focus -ominaisuutta.

Yhtiön tulokset verrattuna edeltäjään, Universal-3.6 Pro Realtimeen:

Mittari Universal-3.6 Pro Realtime STT-3.7-Realtime-Agent
Taustapuheen sanoja / 1 000 sanaa 2,53 1,34
Hukatut lyhyet vastaukset 0,29 % 0,18 %
Sanavirheaste 5,26 % 4,53 %
Lopullisen tekstin viive puheen päätyttyä 172 ms 86 ms

Lähde: AssemblyAI. 12 460 englanninkielistä puhelua; edeltäjän tarkkuusluvut syyskuun arvioinnista; viive mitattu erillisessä testissä, jossa vuoron loppukohta annettiin valmiina, joten 86 ms ei sisällä aikaa, jonka malli käyttää vuoron päättymisen ratkaisemiseen.

Luvut ovat yhtiön omasta testistä, jossa 522 puhujaa luki käsikirjoitettuja tilanteita puhelinäänenä. Yhtiön mukaan erot ovat tilastollisesti merkitseviä taustapuheessa, vastauksissa ja sanavirheasteessa. Blogin mukaan Voice Arena -vertailu sijoitti mallin Yhdysvaltain englannissa suoratoistomallien kärkeen 2,45 prosentin semanttisella sanavirheasteella. Speko-vertailussa malli ohitti blogin mukaan sanavirheasteessa ja kahdessa viivemittarissa ElevenLabs Scribe v3 Liven, Deepgram Fluxin, Soniox Realtime v6:n, Fish Transcribe Stream 1:n ja Cartesia Ink-2:n.

Malli ei ole nopein: Soniox Realtime v6, Deepgram Nova-3 ja muutama muu palauttavat lopullisen tekstin nopeammin mutta tekevät AssemblyAI:n mukaan vähintään 30 % enemmän sanavirheitä. Numeropainotteisessa 300 tallenteen testissä numerovirheiden osuus laski 11,28 prosentista 2,27 prosenttiin.

Malli on saatavilla nyt yhtiön suoratoistorajapinnassa asetuksella speech_model=”assemblyai-stt-3-7-realtime-agent”, ja se maksaa 0,45 $ tunnilta, saman verran kuin edeltäjä. No Code MBA -sivuston mukaan malli tukee 32 kieltä automaattisella kielentunnistuksella, mutta yhtiön testit koskevat englantia. Pipecat-puheagenttikirjaston muutoslokin mukaan kirjasto tukee mallia, mutta sen oletusmalli pysyy Universal-3.6 Prona ”virallisen julkaisun” asti, vaikka AssemblyAI kertoo mallin olevan jo saatavilla.

Ilmoita virheestä tässä jutussa