Σε πολύπλοκα περιβάλλοντα, οι άνθρωποι μπορούν να κατανοήσουν την έννοια της ομιλίας καλύτερα από την τεχνητή νοημοσύνη, επειδή χρησιμοποιούμε όχι μόνο τα αυτιά μας αλλά και τα μάτια μας.
Για παράδειγμα, βλέπουμε το στόμα κάποιου να κινείται και μπορεί διαισθητικά να γνωρίζουμε ότι ο ήχος που ακούμε πρέπει να προέρχεται από αυτό το άτομο.
Η Meta AI εργάζεται σε ένα νέο σύστημα διαλόγου AI, το οποίο θα διδάξει την τεχνητή νοημοσύνη να μάθει επίσης να αναγνωρίζει λεπτούς συσχετισμούς μεταξύ αυτού που βλέπει και ακούει σε μια συνομιλία.
Το VisualVoice μαθαίνει με παρόμοιο τρόπο με τον τρόπο με τον οποίο οι άνθρωποι μαθαίνουν να κυριαρχούν σε νέες δεξιότητες, επιτρέποντας τον οπτικοακουστικό διαχωρισμό ομιλίας μαθαίνοντας οπτικές και ακουστικές ενδείξεις από βίντεο χωρίς ετικέτα.
Για τις μηχανές, αυτό δημιουργεί καλύτερη αντίληψη, ενώ η ανθρώπινη αντίληψη βελτιώνεται.
Φανταστείτε να μπορείτε να συμμετέχετε σε ομαδικές συναντήσεις στο metaverse με συναδέλφους από όλο τον κόσμο, να συμμετέχετε σε μικρότερες ομαδικές συναντήσεις καθώς κινούνται στον εικονικό χώρο, κατά τις οποίες οι ηχητικές αντηχήσεις και τα ηχόχρωμα στη σκηνή προσαρμόζονται ανάλογα με το περιβάλλον.
Δηλαδή, μπορεί να λαμβάνει πληροφορίες ήχου, βίντεο και κειμένου ταυτόχρονα, και έχει ένα πιο πλούσιο μοντέλο περιβαλλοντικής κατανόησης, επιτρέποντας στους χρήστες να έχουν μια εμπειρία ήχου "πολύ ουάου".
Ώρα δημοσίευσης: Ιουλ-20-2022
