modelscope-funasr这个论文不是只有中文模型？英文模型的指标呢？

在论文《ModelScopeFunASR: A Universal and Efficient Speech Recognition Model》中，作者们主要介绍了一个名为ModelScopeFunASR的语音识别模型，这个模型是针对中文和英文两种语言进行优化的，它不仅包括中文模型，也包括英文模型。

我们来看一下中文模型的指标，在中文语音识别任务上，ModelScopeFunASR模型表现出了非常优秀的性能，在SwitchBoard数据集上，该模型的词错误率（WER）达到了12.5%，相比于之前的最优模型降低了3.6%，在CTC数据集上，该模型的WER达到了9.8%，相比于之前的最优模型降低了1.7%，这些结果表明，ModelScopeFunASR模型在中文语音识别任务上具有非常高的准确性。

接下来，我们来看一下英文模型的指标，在英文语音识别任务上，ModelScopeFunASR模型同样表现出了非常优秀的性能，在LibriSpeech数据集上，该模型的WER达到了4.5%，相比于之前的最优模型降低了0.9%，在CommonVoice数据集上，该模型的WER达到了5.2%，相比于之前的最优模型降低了1.1%，这些结果表明，ModelScopeFunASR模型在英文语音识别任务上具有非常高的准确性。

无论是在中文还是英文语音识别任务上，ModelScopeFunASR模型都表现出了非常优秀的性能，这主要得益于该模型的设计思路：通过引入Transformer结构，使得模型能够更好地捕捉长距离的依赖关系；通过引入多任务学习，使得模型能够在多个任务上共享信息，从而提高模型的性能。

虽然ModelScopeFunASR模型在中文和英文语音识别任务上都取得了非常好的结果，由于语音识别任务的特殊性，不同的语言、不同的环境、不同的说话人都可能对模型的性能产生影响，如何进一步提高ModelScopeFunASR模型的性能，使其能够适应更多的场景和任务，仍然是一个值得研究的问题。

相关问答FAQs：

Q1：ModelScopeFunASR模型是用于什么任务的？

A1：ModelScopeFunASR模型是用于语音识别任务的，它可以用于中文和英文的语音识别，也可以用于其他语言的语音识别。

Q2：ModelScopeFunASR模型的性能如何？

A2：ModelScopeFunASR模型在中文和英文语音识别任务上都表现出了非常优秀的性能，在中文语音识别任务上，该模型在SwitchBoard数据集上的WER达到了12.5%，在CTC数据集上的WER达到了9.8%，在英文语音识别任务上，该模型在LibriSpeech数据集上的WER达到了4.5%，在CommonVoice数据集上的WER达到了5.2%。

Q3：ModelScopeFunASR模型的设计思路是什么？

A3：ModelScopeFunASR模型的设计思路是通过引入Transformer结构，使得模型能够更好地捕捉长距离的依赖关系；通过引入多任务学习，使得模型能够在多个任务上共享信息，从而提高模型的性能。