Speech-to-Speech Model Research at Google DeepMind — Valeria Wu Fon & Tom Ouyang, Google DeepMind
Valeria Wu Fon och Tom Ouyang från Google DeepMind presenterar forskning om tal-till-tal-modeller — system som kan lyssna på tal och svara med tal direkt, utan att gå via text.
Före 2018 krävdes flera separata komponenter för att känna igen tal; moderna modeller gör det end-to-end. Deras modell tränas på ljud, video och text tillsammans, vilket låter den hantera saker som ingen explicit programmerat — exempelvis att behålla engelska termer som en spansk talare faktiskt använder. De identifierar tre spänningar: systemet måste vara snabbt för naturlig konversation, intelligent för att förstå instruktioner, och multimodalt för att ta emot både tal och visuellt material. Öka på en egenskap försvagar ofta de andra, och de visar detta med demos av liveöversättning på möten, kundtjänst för vägrobot och systemets förmåga att veta när det inte är dess tur att prata.
Sammanfattningen har tagits fram med AI av Vibekollen utifrån källans publicering. Innehållet tillhör AI Engineer.
Mer att läsa
What Runs Where? Local AI in Production — Ahmad Osman, Osmantic
AI Engineer 21 nov.
Experts say AI has made planning cyberattacks on industrial equipment faster by helping attackers read manuals and research past accidents more quickly
Techmeme för 2 tim sedan
Current and former officials from the US and other countries describe the Chinese spy agency MSS' campaign to help Chinese companies acquire advanced AI chips
Techmeme för 6 tim sedan
Tesla rolls out FSD v15, featuring a photorealistic rendering of car surroundings; Elon Musk says it is real-time AI video generation without using game engines
Techmeme för 7 tim sedan
