Sarežģītās vidēs cilvēki var saprast runas nozīmi labāk nekā mākslīgais intelekts, jo mēs izmantojam ne tikai ausis, bet arī acis.
Piemēram, mēs redzam, kā kustas kāda mute, un varam intuitīvi zināt, ka skaņa, ko dzirdam, nāk no šīs personas.
Meta AI strādā pie jaunas mākslīgā intelekta dialoga sistēmas, kuras mērķis ir iemācīt mākslīgajam intelektam atpazīt smalkas korelācijas starp to, ko tas redz un dzird sarunā.
VisualVoice mācās līdzīgi tam, kā cilvēki apgūst jaunas prasmes, nodrošinot audiovizuālas runas atdalīšanu, apgūstot vizuālas un dzirdes norādes no nemarķētiem video.
Mašīnām tas rada labāku uztveri, savukārt cilvēka uztvere uzlabojas.
Iedomājieties, ka varat piedalīties grupu sanāksmēs metaversā kopā ar kolēģiem no visas pasaules, pievienojoties mazākām grupu sanāksmēm, pārvietojoties virtuālajā telpā, kuru laikā skaņas atbalsis un tembri ainā mainās atbilstoši videi un attiecīgi pielāgojas.
Tas nozīmē, ka tā vienlaikus var iegūt audio, video un teksta informāciju, un tai ir bagātāks vides izpratnes modelis, kas ļauj lietotājiem iegūt “ļoti vau” skaņas pieredzi.
Publicēšanas laiks: 2022. gada 20. jūlijs
