ಪ್ರೊಡಕ್ಷನ್ ಮಟ್ಟದ ಧ್ವನಿ AI ಗೆ ಕೇವಲ ಮಾತಿನ ಸಂಗ್ರಹಣೆಯಿಗಿಂತ ಹೆಚ್ಚು ಅಗತ್ಯವಿದೆ

ನೈಜ-ಸಮಯದ ಸಂಭಾಷಣೆ ಮತ್ತು ಮುಂದುವರಿದ ಭಾಷಣ ಉತ್ಪಾದನೆಗೆ ಸಮರ್ಥವಾಗಿರುವ ಮಾದರಿಗಳು ಒಳಗೊಂಡಂತೆ ಮುಕ್ತ-ಧ್ವನಿ ಮತ್ತು ಮಲ್ಟಿಮೋಡಲ್ AI ಕ್ಷೇತ್ರದಲ್ಲಿ ಹೊಸ ಸಾಧ್ಯತೆಗಳನ್ನು Kyutai ಅನ್ವೇಷಿಸುತ್ತಿತ್ತು. ಪ್ರಯೋಗಾಲಯವು ಅಭಿವ್ಯಕ್ತಿಶೀಲ ಪಠ್ಯದಿಂದ ಭಾಷಣದತ್ತ ಮುಂದುವರೆದಂತೆ, ಲಭ್ಯವಿರುವ ಡೇಟಾಸೆಟ್‌ಗಳು ಮಿತಿಯಾದವು. ಮೂಲಭೂತ ಭಾಷಣ ಡೇಟಾಬೇಸ್‌ಗಳು ವಿಷಯವನ್ನು ಸುಲಭವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಹಾಯಕವಾಗಿದ್ದಿರಬಹುದು; ಆದರೆ, ಸ್ವಾಭಾವಿಕವಾಗಿ ಕೇಳಿಸುವ ಧ್ವನಿಗಳನ್ನು ಸೃಷ್ಟಿಸಲು ಅಗತ್ಯವಿರುವ ಭಾವನಾತ್ಮಕ ಸೂಕ್ಷ್ಮತೆಗಳು, ಸಂಭಾಷಣೆಯ ಧ್ವನಿ ಏರಿಳಿತಗಳು ಮತ್ತು ವಿವಿಧ ಭಾಷೆಗಳಲ್ಲಿನ ಸ್ಥಿರ ಗುಣಮಟ್ಟವು ಅವುಗಳಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿ ಕಂಡುಬರುತ್ತಿರಲಿಲ್ಲ..

ಡೇಟಾಸ್ಟೋರ್ ಅನ್ನು ರಚಿಸುವುದರಿಂದ ಕಾರ್ಯಾಚರಣೆಯ ಸಂಕೀರ್ಣತೆಯು ಗಣನೀಯವಾಗಿ ಹೆಚ್ಚಾಯಿತು. ಸ್ಪೀಕರ್‌ಗಳು ವಿವಿಧ ಭಾವನೆಗಳು ಮತ್ತು ಮಾತಿನ ಶೈಲಿಗಳನ್ನು ನೀಡುವಾಗ, ಪ್ರತಿ ಸೆಷನ್‌ನಲ್ಲಿಯೂ ತಮ್ಮ ಗುರುತನ್ನು ಮತ್ತು ರೆಕಾರ್ಡಿಂಗ್ ಕ್ವಾಲಿಟಿಯನ್ನು ಸ್ಥಿರವಾಗಿ ಉಳಿಸಬೇಕಾಯಿತು. ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಟ್‌ಗಳು, ಭಾವನೆ ಲೇಬಲ್‌ಗಳು, ಮಾತಲ್ಲದ ಘಟನೆಗಳು, ಉಚ್ಚಾರಣೆ ಮತ್ತು ಮೆಟಾಡೇಟಾ ಕೂಡ ವಿವಿಧ ಭಾಷೆಗಳು ಮತ್ತು ರೆಕಾರ್ಡಿಂಗ್ ಬ್ಯಾಚ್‌ಗಳಾದರೂ ಸಹ ಸರಿಯಾಗಿ ಉಳಿಯಬೇಕಾಯಿತು. ಸ್ಕೇಲ್ ಮಾಡಲು, Kyutai ಗೆ ನಿರ್ವಹಿತ ಪ್ರೊಡಕ್ಷನ್ ಪ್ರಕ್ರಿಯೆ ಅಗತ್ಯವಿತ್ತು, ಇದು ನಿರಂತರವಾಗಿ ಅಭಿವ್ಯಕ್ತಿಪೂರ್ಣ ಬಹುಭಾಷಾ ಡೇಟಾವನ್ನು ಸೃಷ್ಟಿಸಲು ಸಾಮರ್ಥ್ಯ ಹೊಂದಿರಬೇಕು.

ಬಹುಭಾಷಾ ಧ್ವನಿ ಡೇಟಾದಿಗಾಗಿ ಏಕೀಕೃತ ಉತ್ಪಾದನಾ ಪೈಪ್‌ಲೈನ್ ರಚಿಸುವುದು

Kyutai Uber AI Solutions ಜೊತೆಗೆ ಕೈಜೋಡಿಸಿ ಧ್ವನಿ ಡೇಟಾ ಸೃಷ್ಟಿಯನ್ನು ಒಂದೇ ಸಂಯೋಜಿತ ವ್ಯವಸ್ಥೆಯಾಗಿ ಕಾರ್ಯಗತಗೊಳಿಸಿತು, ಬದಲು ಪ್ರತ್ಯೇಕವಾಗಿ ರೆಕಾರ್ಡಿಂಗ್, ಟ್ರಾನ್ಸ್ಕ್ರಿಪ್ಷನ್, ಅನೋಟೇಶನ್ ಮತ್ತು ಗುಣಮಟ್ಟ ಪರಿಶೀಲನೆಯನ್ನು ನಿರ್ವಹಿಸುವುದಕ್ಕೆ.

ಫ್ರೆಂಚ್, ಬ್ರೆಜಿಲಿಯನ್ ಪೋರ್ಚುಗೀಸ್, ಯುರೋಪಿಯನ್ ಮತ್ತು ಲ್ಯಾಟಿನ್ ಅಮೇರಿಕನ್ ಸ್ಪ್ಯಾನಿಷ್ ಮತ್ತು ಜರ್ಮನ್ ಭಾಷೆಗಳಲ್ಲಿ ಬಹುಭಾಷಾ ರೆಕಾರ್ಡಿಂಗ್ ಪ್ರೋಗ್ರಾಂಗಳನ್ನು UAIS ಸಂಯೋಜಿಸಿತು. ಧ್ವನಿ ಪ್ರತಿಭೆಯು ಭಾವನಾತ್ಮಕ ಮತ್ತು ಛಂದೋಬದ್ಧ ಶ್ರೇಣಿಯನ್ನು ವಿಸ್ತರಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾದ ರಚನಾತ್ಮಕ ಮಾರ್ಗದರ್ಶನವನ್ನು ಪಡೆಯಿತು, ಇದರಲ್ಲಿ ಸಹಾನುಭೂತಿ, ವ್ಯಂಗ್ಯ, ಕೋಪ, ದುಃಖ, ಅಳುವುದು ಮತ್ತು ಇತರ ಹೆಚ್ಚಿನ ತೀವ್ರತೆಯ ಭಾಷಣ ಶೈಲಿಗಳು ಸೇರಿವೆ.

ವರ್ಕ್‌ಫ್ಲೋ ಸಂಯೋಜಿತ AI- ನೆರವಿನ ಪ್ರತಿಲೇಖನವನ್ನು ಮೌಖಿಕ ಪ್ರತಿಲೇಖನಗಳು, ಭಾವನಾತ್ಮಕ ಲೇಬಲ್‌ಗಳು, ಭಾಷಣೇತರ ಘಟನೆಗಳು ಮತ್ತು ಇತರ ಮೆಟಾಡೇಟಾಕ್ಕಾಗಿ ಮಾನವ ಪರಿಶೀಲನೆಯೊಂದಿಗೆ ಸಂಯೋಜಿಸಿತು. ಸ್ಪೀಕರ್‌ಗಳು ಮತ್ತು ರೆಕಾರ್ಡಿಂಗ್ ಬ್ಯಾಚ್‌ಗಳಲ್ಲಿ ಪ್ರಮಾಣೀಕೃತ ಕ್ವಾಲಿಟಿ ಮಾನದಂಡಗಳನ್ನು ಅನ್ವಯಿಸಲಾಯಿತು, ಈ ಮೂಲಕ QA ಅನ್ನು ಅಂತಿಮ ಚೆಕ್‌ಪಾಯಿಂಟ್‌ಗಿಂತ ಹೆಚ್ಚಾಗಿ ಪ್ರೊಡಕ್ಷನ್‌ನ ನಿರಂತರ ಭಾಗವನ್ನಾಗಿ ಮಾಡಿತು.

ಈ ಕಾರ್ಯಾಚರಣಾ ಮಾದರಿಯು, ಭಾಷೆಗಳು, ಮಾತನಾಡುವವರು ಮತ್ತು ಹೆಚ್ಚು ಸೂಕ್ಷ್ಮವಾದ ಧ್ವನಿ ಅಗತ್ಯಗಳನ್ನು ಒಳಗೊಂಡಂತೆ ಪ್ರೋಗ್ರಾಂ ವಿಸ್ತರಿಸಿದಂತೆ, Kyutai ಗೆ ಸುದೀರ್ಘತೆ ಕಾಯ್ದುಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡಿತು.

ವ್ಯಕ್ತಿಪೂರ್ಣ ಬಹುಭಾಷಾ ಪಠ್ಯದಿಂದ ಮಾತಿಗೆ ಪರಿವರ್ತನೆಗೆ (TTS) ವಿವರವಾದ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಒದಗಿಸಲಾಗುತ್ತಿದೆ

ಈ ಸಂವಹನವು Kyutai ನ ಅಭಿವ್ಯಕ್ತಿಪೂರ್ಣ TTS ಅಗತ್ಯಗಳಿಗೆ ಹೊಂದಿಕೊಂಡಿರುವ ಬಹುಭಾಷಾ ತರಬೇತಿ ಡೇಟಾದ ಸಂರಚಿತ ಮೂಲವನ್ನು ಸೃಷ್ಟಿಸಿತು.

ಡೇಟಾಸೆಟ್‌ನ ಆಚೆಗೆ, ಸಹಯೋಗವು ವಿತರಿಸಿದ ಭಾಷಾ ಪ್ರೋಗ್ರಾಂಗಳಾದ್ಯಂತ ಪ್ರತಿಭೆ, ರೆಕಾರ್ಡಿಂಗ್ ಕ್ವಾಲಿಟಿ, ಟಿಪ್ಪಣಿ ಮತ್ತು ಸ್ವೀಕಾರ ಮಾನದಂಡಗಳನ್ನು ನಿರ್ವಹಿಸುವ ಪುನರಾವರ್ತಿತ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಸ್ಥಾಪಿಸಿತು. ಆ ಅಡಿಪಾಯವು ಡೇಟಾ ಮಾದರಿ ತರಬೇತಿಗೆ ಪ್ರವೇಶಿಸುವ ಮೊದಲು ವ್ಯತ್ಯಾಸವನ್ನು ಕಡಿಮೆ ಮಾಡಿತು ಮತ್ತು ಅವಶ್ಯಕತೆಗಳು ವಿಕಸನಗೊಂಡಂತೆ ಭವಿಷ್ಯದ ಭಾಷಣ ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು ಉತ್ಪಾದಿಸಲು Kyutai ಗೆ ಹೆಚ್ಚು ಸ್ಥಿರವಾದ ಮಾರ್ಗವನ್ನು ನೀಡಿತು.