В сложни среди хората могат да разбират значението на речта по-добре от изкуствения интелект, защото използваме не само ушите си, но и очите си.
Например, виждаме как устата на някого се движи и интуитивно можем да разберем, че звукът, който чуваме, трябва да идва от този човек.
Meta AI работи върху нова система за диалог с изкуствен интелект, която има за цел да научи изкуствения интелект да разпознава фини корелации между това, което вижда и чува в разговор.
VisualVoice се учи по подобен начин на начина, по който хората се учат да овладяват нови умения, като позволява аудио-визуално разделяне на речта чрез изучаване на визуални и слухови сигнали от немаркирани видеоклипове.
За машините това създава по-добро възприятие, докато човешкото възприятие се подобрява.
Представете си, че можете да участвате в групови срещи в метавселена с колеги от цял свят, присъединявайки се към по-малки групови срещи, докато те се движат през виртуалното пространство, по време на които звуковите реверберации и тембри в сцената се променят според околната среда и се настройват съответно.
Тоест, може да получава аудио, видео и текстова информация едновременно и има по-богат модел за разбиране на околната среда, което позволява на потребителите да имат „много уау“ звуково изживяване.
Време на публикуване: 20 юли 2022 г.
