ඵලදායී මට්ටමේ හඬ AI සඳහා කථන එකතු කිරීමට වඩා වැඩි දේ අවශ්‍ය වේ

කියුටායි තත්ය කාලීන සංවාද ආකෘති සහ උසස් කථන උත්පාදනය ඇතුළුව විවෘත හඬ සහ බහුමාධ්ය AI හි සීමාවන් තල්ලු කරමින් සිටියේය. රසායනාගාරය චිත්තවේගීය වශයෙන් ප්රකාශිත පෙළ-කථනය දෙසට ගමන් කරන විට, පවතින දත්ත කට්ටල සීමාවක් ඉදිරිපත් කළේය. මූලික කථන දත්තසමුචායන් බුද්ධියට සහය විය හැති නමුත්, ස්වාභාවික ශබ්ද හඩ නිපදවීමට අවශ්‍යය චිත්තවේගීය සූක්ෂ්මතාවය සංවාද විචලනය සහ බහුභාෂා අනුකූලතාව බොහෝ විට එවාට නොතිබුණි.

දත්ත කට්ටල ගොඩනැගීම සැලකිය යුතු මෙහෙයුම් සංකීර්ණතාවයක් හඳුන්වා දුන්නේය. ක‍ථිකයන්ට විවධ හැගීම් දහ කථන විලාසයන් ලබා දෙන අතරම සැසි හරහා ස්ථාවර අනන්‍යතා සහ පටිගත කිරිමේ ගුණාත්මකභාවය පවත්වා ගැනීමට අවශ්‍යය විය. පිටපත්, හැඟීම් ලේබල්, කථන නොවන සිදුවීම්, උච්චාරණය සහ පාර-දත්ත භාෂා සහ පටිගත කිරීමේ කාණ්ඩ හරහා නිවැරදිව පැවතීමටද සිදු විය. පරිමාණය කිරීමට, කියුටායි හට ප්රකාශන බහුභාෂා දත්ත අඛණ්ඩව නිර්මාණය කළ හැකි පාලිත නිෂ්පාදන ක්‍රියාවලියක් අවශ්‍යය විය.

බහුභාෂා හඬ දත්ත සඳහා ඒකාබද්ධ නිෂ්පාදන නලයක් සෑදීම

Kyutai, Uber AI Solutions සමඟ හවුල් වී, වෙන්ව වෙන්ව පාලනය කිරීම වෙනුවට, ශ්‍රව්‍ය දත්ත නිර්මාණය එක් සමනාත්මක පද්ධතියක් ලෙස ක්‍රියාත්මක කිරීමට කටයුතු කළේය; මෙය වාර්තා කිරීම, පරිවර්තනය, සටහන් කිරීම සහ තත්ත්ව සහතික කිරීම වෙන වෙනම කළ නොහැකි බවයි.

UAIS විසින් ප්රංශ, බ්රසීලියානු පෘතුගීසි, යුරෝපීය සහ ලතින් ඇමරිකානු ස්පාඤ්ඤ සහ ජර්මානු භාෂා හරහා බහුභාෂා පටිගත කිරීමේ වැඩසටහන් සම්බන්ධීකරණය කරන ලදී. හඬ කුසලතාවන්ට සංවේදී, උපහාසාත්මක, කෝපය, දුක, හැඬීම සහ අනෙකුත් ඉහළ තීව්රතාවයකින් යුත් කථන විලාසයන් ඇතුළුව චිත්තවේගීය සහ ප්රොසෝඩික් පරාසය පුළුල් කිරීම සඳහා නිර්මාණය කර ඇති ව්යුහගත මග පෙන්වීමක් ලැබුණි.

වාචික පිටපත්, හැඟීම් ලේබල, කථන නොවන සිදුවීම් සහ අනෙකුත් පාර-දත්ත සඳහා මානව සත්යාපනය සමඟ AI සහාය ඇතිව පිටපත් කිරීමේ ක්රියාවලිය ඒකාබද්ධ කරන ලදී. කථිකයන් සහ පටිගත කිරීමේ කාණ්ඩ හරහා ප්රමිතිගත ගුණාත්මක නිර්ණායක යොදන ලද අතර, QA අවසාන මුරපොලකට වඩා නිෂ්පාදනයේ අඛණ්ඩ කොටසක් බවට පත් කළේය.

මෙම මෙහෙයුම් ආකෘතිය Kyutai වෙත වැඩසටහන භාෂා, කථිකයන් සහ වැඩි විස්තර සහිත හඬ අවශ්‍යතා වෙත විහිදෙන විටත් ස්ථාවරතාවය පවත්වාගෙන යාමට උපකාර විය.

ප්‍රකාශනීය බහුභාෂා TTS සඳහා විස්තරාත්මක දත්ත කට්ටලයක් ලබාදීම

මෙම සම්බන්ධතාවය Kyutaiගේ ප්‍රකාශනීය TTS අවශ්‍යතා සඳහා අභිරුචිකරණය කළ බහුභාෂා පුහුණු දත්ත සඳහා ව්‍යුහගත මූලාශ්‍රයක් නිපදවා ඇත.

දත්ත කට්ටලයට අමතරව, බෙදා හරින ලද භාෂා වැඩසටහන් හරහා කුසලතා කළමනාකරණය, පටිගත කිරීමේ ගුණාත්මකභාවය, විවරණ සහ පිළිගැනීමේ නිර්ණායක සඳහා සහයෝගීතාවය පුනරාවර්තනය කළ හැකි ක්රියාවලියක් ස්ථාපිත කළේය. එම පදනම දත්ත ආකෘති පුහුණුවට ඇතුළු වීමට පෙර විචල්යතාවය අඩු කළ අතර අවශ්යතා පරිණාමය වන විට අනාගත කථන දත්ත කට්ටල ජනනය කිරීමට වඩාත් ස්ථාවර ක්රමයක් කියුටායිට ලබා දුන්නේය.