Microsoft lansează AI care îți citește gândurile: ce pot face?

Microsoft a lansat trei modele de inteligență artificială dedicate dialogului vocal, menite să convertească vorbirea în scris aproape instantaneu și să ofere răspunsuri vocale mai...

Microsoft a lansat trei modele de inteligență artificială dedicate dialogului vocal, menite să convertească vorbirea în scris aproape instantaneu și să ofere răspunsuri vocale mai rapide și mai naturale.

IA anticipează solicitarea înainte ca aceasta să fie complet formulată.

Tehnologiile de recunoaștere a sunetului pot converti discursul în scris instantaneu, însă noul model Microsoft, MAI-Transcribe-2-Streaming, începe să prezinte primele rezultate la câteva sute de milisecunde după ce primește semnalul audio. Ulterior, actualizează automat textul pe măsură ce utilizatorul continuă să vorbească, fără a aștepta finalizarea propoziției.

Citește șiUn mecanic polonez a desfăcut bucată cu bucată cutia de viteze hibridă de pe Dacia și Renault. Ce a descoperit

Conform publicației The New Stack, primele rezultate se manifestă în câteva sute de milisecunde după ce sunetul este captat. În timp ce interlocutorul continuă să vorbească, sistemul își rafinează și corectează transcrierea, până când determină forma finală a propoziției.

sistemul AI poate prezice solicitarea înainte ca utilizatorul să finalizeze exprimarea. În loc să aștepte terminarea propoziției, asistentul virtual procesează cuvintele în timp ce sunt pronunțate și poate genera un răspuns în timp mai scurt.

Exemplu: dacă un client contactează departamentul de relații cu clienții pentru a solicita informații privind o factură, sistemul generează deja răspunsul înainte ca acesta să finalizeze explicația problemei.

Trei prototipuri pentru dialoguri accelerate

Microsoft a prezentat trei modele cu capacități distincte. MAI-Transcribe-2-Streaming convertește vorbirea în text instantaneu și detectează automat limba interlocutorului. MAI-Voice-2.1 transformă scrisul în voce, oferind o tonalitate expresivă și suportând mai multe limbi. MAI-Voice-2.1-Flash este conceput pentru a produce răspunsuri vocale în timp foarte scurt, fiind potrivit pentru aplicații ce gestionează volume mari de conversații.

Microsoft afirmă că MAI-Transcribe-2-Streaming, sistemul ce convertește vocea în scris instantaneu, a obținut performanța superioară în topul Artificial Analysis, evaluarea care compară eficiența sistemelor de inteligență artificială atât la transcrierile intermediare, cât și la cele finale.

Rapiditatea nu este suficientă.

Chiar dacă răspunsurile instantanee contribuie la o interacțiune mai fluidă cu inteligența artificială, apare o provocare: sistemul trebuie să distingă între sfârșitul unei declarații și o scurtă întrerupere în cadrul unei propoziții.

Analiștii din domeniul tehnologiei susțin că noile modele Microsoft constituie un pas înainte. Totuși, ei subliniază că viteza nu este suficientă pentru ca un asistent virtual să poată menține o conversație fără întreruperi.

Un mecanism ce reacționează prea rapid poate confunda pauzele utilizatorului, a precizat Amit Kiran Rege, cercetător la Phonely, firmă dedicată creării de asistenți vocali cu inteligență artificială. În ilustrare, dacă un utilizator se întrerupe câteva clipe pentru a reflecta asupra mesajului pe care dorește să-l transmită, asistentul digital poate interpreta că dialogul s-a încheiat și poate începe să răspundă.

Prin urmare, cercetătorul susține că dezvoltatorii trebuie să optimizeze atât rapiditatea cu care inteligența artificială convertește vocea în scris, cât și abilitatea asistentului virtual de a detecta momentul în care utilizatorul finalizează o solicitare.

În ce locuri poate fi utilizată tehnologia?

Potrivit 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.

COMENTARII / 0