In komplekse omgewings kan mense die betekenis van spraak beter verstaan as KI, want ons gebruik nie net ons ore nie, maar ons oë ook.
Ons sien byvoorbeeld iemand se mond beweeg en weet dalk intuïtief dat die geluid wat ons hoor van daardie persoon af moet kom.
Meta KI werk aan 'n nuwe KI-dialoogstelsel, wat KI moet leer om ook te leer om subtiele korrelasies te herken tussen wat dit in 'n gesprek sien en hoor.
VisualVoice leer op 'n soortgelyke manier as hoe mense leer om nuwe vaardighede te bemeester, wat oudiovisuele spraakskeiding moontlik maak deur visuele en ouditiewe leidrade van ongemerkte video's te leer.
Vir masjiene skep dit beter persepsie, terwyl menslike persepsie verbeter.
Stel jou voor dat jy kan deelneem aan groepbyeenkomste in die metaverse saam met kollegas van regoor die wêreld, en aansluit by kleiner groepbyeenkomste soos hulle deur die virtuele ruimte beweeg, waartydens die klankgalm en timbres in die toneel volgens die omgewing pas dienooreenkomstig aan.
Dit wil sê, dit kan terselfdertyd oudio-, video- en teksinligting bekom, en het 'n ryker omgewingsbegripmodel, wat gebruikers in staat stel om 'n "baie wow"-klankervaring te hê.
Postyd: 20 Julie 2022
