Сомельє: Масштабована відкрита багатокрокова попередня обробка аудіо для повнодуплексних мовних моделей
https://ift.tt/dXL7fEK
У міру того як парадигма ШІ змінюється від текстових LLM до мовних моделей на основі мови з голосом (SLMs), зростає попит на системи повного дуплексного взаємодії в реальному часі та природні взаємодії людина-комп’ютер. Проте розробка таких моделей обмежується невеликим обсягом якісних даних розмов різних спікерів, оскільки наявні великі ресурси здебільшого однослівні або обмежені за обсягом. Вирішення складних динамік діалогу, таких як накладання вимов та зворотна канальна взаємодія, залишається викликом: стандартні конвеєри обробки страждають через помилки діаризації та галюцинації ASR. Щоб заповнити цей розрив, ми представили надійну та масштабовану відкриту конвеєрну обробку даних, розроблену для моделей з повним дуплексом.
HI-FI News
через штучний інтелект https://ift.tt/QUVfdDN
30 березня 2026 р. о 06:37 AM
March 30, 2026 at 06:37AM
Залишити відповідь
Щоб відправити коментар вам необхідно авторизуватись.