Microsoft îți ghicește gândurile. Ce poate face noua tehnologie AI

Adaugă-ne ca sursă preferată în Google

Urmărește-ne in Discover

Noile modele de inteligență artificială lansate de Microsoft par să „citească gândurile”. Acestea pot identifica cererile utilizatorilor înainte ca aceștia să termine de vorbit. Tehnologia transformă vocea în text aproape instantaneu și permite pregătirea rapidă a răspunsurilor.

Cele trei noi modele pentru conversații vocale pentru conversații vocale prezentate de Microsoft sunt concepute pentru a transforma vorbirea în text aproape în timp real și pentru a genera răspunsuri vocale mai rapide și mai naturale, scrie Mediafax.

MAI-Transcribe-2-Streaming afișează primele rezultate la câteva sute de milisecunde după ce primește sunetul

Sistemele de recunoaștere vocală pot transforma vorbirea în text în timp real. Noul model Microsoft, MAI-Transcribe-2-Streaming, afișează primele rezultate la câteva sute de milisecunde după ce primește sunetul. Apoi, actualizează textul pe măsură ce utilizatorul continuă să vorbească, fără să aștepte încheierea propoziției.

Primele rezultate apar în câteva sute de milisecunde de la primirea sunetului, conform The New Stack. Pe măsură ce persoana continuă să vorbească, sistemul își completează și își corectează transcrierea, până când stabilește forma finală a propoziției.

Practic, inteligența artificială poate anticipa cererea înainte ca utilizatorul să termine de vorbit. În loc să aștepte sfârșitul propoziției, asistentul virtual analizează cuvintele pe măsură ce sunt rostite și poate pregăti un răspuns mai rapid.

De exemplu, dacă o persoană sună la serviciul de relații cu clienții pentru a întreba despre o factură, sistemul pregătește răspunsul înainte ca aceasta să termine de explicat problema.

Ce funcții au noile modele Microsoft

Cele trei modele Microsoft au funcții diferite. MAI-Transcribe-2-Streaming transformă vorbirea în text în timp real și recunoaște automat limba utilizatorului.

Al doilea, MAI-Voice-2.1, transformă textul în vorbire, folosind o voce expresivă, în mai multe limbi. Ultimul, MAI-Voice-2.1-Flash, este conceput pentru a genera rapid răspunsuri vocale, inclusiv în aplicații care gestionează un număr mare de conversații.

Microsoft susține că MAI-Transcribe-2-Streaming, modelul care transformă vorbirea în text în timp real, a obținut cele mai bune rezultate în clasamentul Artificial Analysis, care compară performanțele sistemelor de inteligență artificială, atât pentru transcrierile intermediare, cât și pentru cele finale.

Deși răspunsurile rapide pot face conversațiile cu inteligența artificială mai naturale, există și o problemă: sistemul trebuie să recunoască diferența dintre momentul în care o persoană a terminat de vorbit și o simplă pauză în timpul unei propoziții.

Viteza nu este suficientă pentru ca un asistent virtual să poată purta o conversație fără întreruperi

Noile modele Microsoft reprezintă un progres, spun analiștii în domeniul tehnologiei. Totuși, ei atrag atenția că viteza nu este suficientă pentru ca un asistent virtual să poată purta o conversație fără întreruperi.

Un sistem care răspunde prea repede poate interpreta greșit pauzele utilizatorului, a explicat Amit Kiran Rege, cercetător la Phonely, companie specializată în dezvoltarea asistenților vocali cu AI. De exemplu, dacă o persoană se oprește câteva clipe pentru a se gândi la ce vrea să spună, asistentul virtual poate considera că aceasta a terminat și poate începe să răspundă.

Tocmai de aceea, dezvoltatorii trebuie să îmbunătățească nu doar viteza cu care inteligența artificială transformă vorbirea în text, ci și capacitatea asistentului virtual de a recunoaște când utilizatorul a terminat de formulat o cerere, consideră cercetătorul.

Conform Microsoft, noile modele pot fi utilizate în serviciile de relații cu clienții, în asistenții vocali și în aplicațiile de traducere sau transcriere în timp real. Ele ar putea sprijini și crearea unor instrumente de subtitrare live sau dezvoltarea unor aplicații educaționale interactive.

Scopul este ca dialogul cu un sistem de inteligență artificială să semene mai mult cu o conversație obișnuită, fără pauze lungi și fără ca utilizatorul să fie nevoit să aștepte de fiecare dată până termină de vorbit pentru ca sistemul să înceapă să proceseze cererea.