跳到正文

#語音

RSS
今日 0 則
11月18日週三
  1. Dev.to Top Tech39

    四篇 AI 研究改善圖片推理、語音合成與模型運算速度

    AI 看圖推理時可能會忘記圖片裡的細節;合成語音也得花不少力氣,反覆運算的模型則可能回答得很慢。四篇新研究分別提出保留圖片線索的方法 RAPO、不用語音編碼器的 VoxMel、加快反覆運算模型解碼的 LoopFill,以及用來測試圖片物理推理能力的 DominoBench。 例如,DominoBench 用 854 個場景測試模型能不能從靜態圖片推測一連串物體碰撞;模型只看圖片時,最多隻有 72% 答對關鍵人物的結果。研究顯示,把決定答案的計算步驟和數字直接告訴模型後,答對率可提高到 82–92%。這些研究提醒我們,模型說得流暢,不代表它看得懂圖片裡的細節,也不代表它會算出正確結果。

11月17日週二
  1. Artificial Analysis59

    文字轉語音模型不只要發音自然、生成得快,也得讓人不用等太久才聽到聲音。Artificial Analysis 新增「開始播放語音所需時間」基準,每天用相同的 12 個提示詞測試各模型,並公佈近 7 天平均值。結果顯示,串流模型通常幾百毫秒內就會開始說話,中位數是 376 毫秒;非串流模型得等整段語音生成完才會回傳,中位數是 2.0 秒。

11月14日週六
  1. Artificial Analysis39

    宣佈推出 Artificial Analysis Diarization Index,這是我們用來評測語音轉文字中「誰說了什麼」的新基準。 Diarization Index 以詞語語者辨識錯誤率(WDER)評分各家 API:在 97 段由 2 至 8 人參與的對話中,計算被分配給錯誤說話者或未分配說話者的詞語比例,並對各種人數的對話採相同權重。 來自 @NVIDIAAI 的 Nemotron 3.5 Transcribe 以 3.3% 領先,高於 Voxtral Small Transcribe 3 的 7.5%。下方串文詳述 🧵

11月6日週五
10月16日週五