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
Lumaril, which develops AI software for optimizing industrial production by connecting to existing control systems, raised a $66M Series A at a $400M valuation
Techmeme för 2 tim sedan
DeepSeek open sources Super-Agent as a research prototype, a proactive coding agent it says can monitor group chats for coding issues and suggest solutions
Techmeme för 2 tim sedan
Insurance software maker Guidewire agrees to acquire Hyperexponential, which makes AI-powered insurance underwriting and pricing software, for $1.7B in cash
Techmeme för 2 tim sedan
One word for AI agents in 2027
Nate Herk för 6 tim sedan