En kompleksaj medioj, homoj povas kompreni la signifon de parolado pli bone ol AI, ĉar ni uzas ne nur niajn orelojn sed niajn okulojn ankaŭ.
Ekzemple, ni vidas ies buŝon moviĝi kaj eble intuicie scias, ke la sono, kiun ni aŭdas, devas veni de tiu persono.
Meta AI laboras pri nova AI-dialogosistemo, kiu devas instrui AI ankaŭ lerni rekoni subtilajn korelaciojn inter tio, kion ĝi vidas kaj aŭdas en konversacio.
VisualVoice lernas en simila maniero al kiel homoj lernas regi novajn kapablojn, ebligante aŭdvidan paroldisigon per lernado de vidaj kaj aŭdaj indikoj de neetikeditaj vidbendoj.
Por maŝinoj, tio kreas pli bonan percepton, dum homa percepto pliboniĝas.
Imagu povi partopreni grupajn kunvenojn en la metaverso kun kolegoj el la tuta mondo, aliĝante al pli malgrandaj grupaj renkontiĝoj dum ili moviĝas tra la virtuala spaco, dum kiuj la sonreverboj kaj sonkoloroj en la sceno faras laŭ la medio Alĝustigu laŭe.
Tio estas, ĝi povas akiri aŭdajn, videojn kaj tekstajn informojn samtempe, kaj havas pli riĉan median komprenan modelon, permesante al uzantoj havi "tre wow" sonan sperton.
Afiŝtempo: Jul-20-2022
