தொழில்துறை தரமான குரல் AI உருவாக்கத்திற்கு வெறும் பேச்சுத் தரவு சேகரிப்பை விட அதிகம் தேவைப்படுகிறது

கியூடாய், நிகழ் நேர உரையாடல் மாதிரிகள் மற்றும் மேம்பட்ட பேச்சு உருவாக்கம் உள்ளிட்ட திறந்த குரல் மற்றும் பன்முறை செயற்கை நுண்ணறிவின் எல்லைகளை விரிவுபடுத்தி வந்தது. ஆய்வகம் உணர்வுப்பூர்வமாக வெளிப்படுத்தும் உரையிலிருந்து பேச்சாக மாற்றும் தொழில்நுட்பத்தை நோக்கி நகர்ந்தபோது, கிடைக்கக்கூடிய தரவுத் தொகுப்புகள் ஒரு வரம்பை முன்வைத்தன. அடிப்படைப் பேச்சுத் தரவுத் தளங்களால் புரிந்துகொள்ளும் திறனை ஆதரிக்க முடிந்தாலும், இயல்பான குரல்களை உருவாக்கத் தேவையான உணர்வுப்பூர்வமான நுணுக்கம், உரையாடல் வேறுபாடு மற்றும் பன்மொழித் தொடர்ச்சி ஆகியவை அவற்றில் பெரும்பாலும் இல்லை.

தரவுத் தொகுப்புகளை உருவாக்குவது குறிப்பிடத்தக்கச் செயல்பாட்டுச் சிக்கல்களை ஏற்படுத்தியது. பேச்சாளர்கள் பல்வேறு உணர்ச்சிகளையும் பேசும் பாணிகளையும் வெளிப்படுத்தும் அதே வேளையில், அமர்வுகள் முழுவதும் சீரான அடையாளங்களையும் பதிவுத் தரத்தையும் பராமரிக்க வேண்டியிருந்தது. எழுத்துப் படிவங்கள், உணர்ச்சிக் குறியீடுகள், பேச்சு அல்லாத நிகழ்வுகள், உச்சரிப்பு மற்றும் மெட்டா டேட்டா ஆகிய அனைத்தும் மொழிகள் மற்றும் பதிவுத் தொகுப்புகள் முழுவதும் துல்லியமாக இருக்க வேண்டியிருந்தது. இதை விரிவுபடுத்துவதற்கு, கியூடாய்க்கு, உணர்ச்சிமிக்க பன்மொழித் தரவுகளைத் தொடர்ச்சியாக உருவாக்கும் திறன் கொண்ட ஒரு ஒழுங்குபடுத்தப்பட்ட தயாரிப்புச் செயல்முறை தேவைப்பட்டது.

பல மொழி குரல் தரவுக்காக ஒருங்கிணைந்த உற்பத்தி குழாயை உருவாக்குதல்

Kyutai, பதிவு, உரை மாற்றம், குறிப்பு, மற்றும் தரமான ஆய்வை தனித்தனியாக நிர்வகிப்பதைவிட, ஒற்றை ஒருங்கிணைந்த அமைப்பாக குரல் தரவு உருவாக்கத்தை செயல்படுத்த Uber AI Solutions உடன் கூட்டணி அமைத்தது.

UAIS பல்தொகை மொழிகளில் பதிவு செய்யும் திட்டங்களை பிரஞ்சு, பிரேசிலிய போர்த்துகீஸ், ஐரோப்பிய மற்றும் லத்தீன் அமெரிக்க ஸ்பானிஷ், மற்றும் ஜெர்மன் ஆகிய மொழிகளில் ஒருங்கிணைத்தது. குரல் திறமை பெற்றவர்கள் உணர்ச்சி மற்றும் ஒலி மாறுபாடுகளை விரிவுபடுத்தும் வகையில் கட்டமைக்கப்பட்ட வழிகாட்டுதலை பெற்றனர்; இதில் அனுதாபம், பரிகாசம், கோபம், சோகம், அழுதல் மற்றும் பிற அதிக தீவிரமான பேச்சு பாணிகள் அடங்கும்.

AI உதவியுடன் செய்யப்பட்ட உரை மாற்றம் மற்றும் மனிதர்களால் சரிபார்ப்பு ஆகியவை ஒருங்கிணைக்கப்பட்டு, சொல் சொறாக உரை, உணர்ச்சி குறிச்சொற்கள், பேசாத நிகழ்வுகள் மற்றும் பிற மெட்டாடேட்டாவிற்காக பயன்படுத்தப்பட்டது. ஒரே மாதிரியான தரத் தரநிலைகள் பேச்சாளர்கள் மற்றும் பதிவு தொகுதிகள் முழுவதும் பயன்படுத்தப்பட்டதால், தர உறுதி (QA) இறுதிக் கட்ட சோதனையாக இல்லாமல், தயாரிப்பு செயல்முறையின் தொடர்ச்சியான பகுதியாக மாற்றப்பட்டது.

இந்த செயல்பாட்டு முறைமையானது, திட்டம் பல மொழிகள், பேச்சாளர்கள் மற்றும் மேலும் நுணுக்கமான குரல் தேவைகளுக்கு விரிவடைந்தபோதும், க்யூட்டை ஒருமைப்பாட்டை பராமரிக்க உதவியது.

பன்மொழி உணர்வூட்டும் உரை உரையாடல் உருவாக்கத்திற்கு விரிவான தரவுத்தொகுப்பை வழங்குதல்

இந்த ஒத்துழைப்பு Kyutai-இன் வெளிப்படையான TTS தேவைகளுக்காக உருவாக்கப்பட்ட கட்டமைக்கப்பட்ட பன்மொழி பயிற்சி தரவுகளை உருவாக்கியது.

தரவுத்தொகுப்பைத் தவிர, இந்த கூட்டாண்மை திறமைகளை நிர்வகித்தல், தரத்தை பதிவு செய்தல், குறிப்பு செய்தல் மற்றும் ஏற்கும் அளவுகோள்களை பரவலாக உள்ள மொழி திட்டங்களில் நிரந்தரமாக செயல்படுத்தக்கூடிய ஒரு முறையை உருவாக்கியது. அந்த அடித்தளம் தரவு மாதிரி பயிற்சிக்கு செல்லும் முன் மாறுபாடுகளை குறைத்தது மற்றும் தேவைகள் மாறும்போது எதிர்கால பேச்சு தரவுத்தொகுப்புகளை உருவாக்குவதற்கான ஒரே மாதிரியான முறையை Kyutai-க்கு வழங்கியது.