En kompleksaj medioj, homoj povas kompreni la signifon de parolado pli bone ol AI, ĉar ni uzas ne nur niajn orelojn sed ankaŭ niajn okulojn.
Ekzemple, ni vidas ies buŝon moviĝanta kaj eble intuicie scias, ke la sono, kiun ni aŭdas, devas esti de tiu homo.
Meta AI laboras pri nova AI -dialoga sistemo, kiu estas instrui AI ankaŭ lerni rekoni subtilajn korelaciojn inter tio, kion ĝi vidas kaj aŭdas en konversacio.
VisualVoice lernas simile al kiel homoj lernas majstri novajn kapablojn, ebligante aŭdvidan parolan apartigon lernante vidajn kaj aŭdajn indicojn de nelimigitaj filmetoj.
Por maŝinoj, ĉi tio kreas pli bonan percepton, dum homa percepto pliboniĝas.
Imagu povi partopreni grupajn kunvenojn en la metaverse kun kolegoj el la tuta mondo, kunigante pli malgrandajn grupajn kunvenojn dum ili moviĝas tra la virtuala spaco, dum kiuj la sonaj reverboj kaj timbroj en la sceno laŭ la medio ĝustigas laŭe.
Tio estas, ĝi povas akiri informojn pri aŭdaj, filmetoj kaj tekstoj samtempe, kaj havas pli riĉan median komprenan modelon, permesante al uzantoj havi "tre wow" sonan sperton.
Afiŝotempo: jul-20-2022
