مدل صوتی جدیدی اخیرا با نام Sesame به عرصه مدل های هوش مصنوعی اضافه شده است. این مدل فعلا به صورت دمو هست و شما میتونین با مدل Maya و Miles چت کنید.

این مدل که از تکنولوژی conversational speech استفاده میکنه، یکی از بزرگترین مشکلات دستیاران صوتی یعنی بی احساس بودن صداشون حین گفتگو رو حل کرده.

رویکرد متفاوت در ساخت این مدل که شرکت اون رو با عنوان voice presence اعلام کرده باعث میشه تا از بقیه مدل های تبدیل متن به وویس (tts) متمایزش کنه و حین گفتگو کاملا دارای احساس باشه و حس درک و شنیده شدن به مخاطب بده.

این مدل شرایط احساسی در صدا، زمان بندی درست، توقف و تشدید توی صدا حین گفتگو رو کامل درک میکنه.

این مدل همچنین در بنچ مارک های مختلف عملکرد فوق العاده ای داشته. در بنچمارک سنتی تونسته امتیازی کاملا نزدیک به انسان کسب کنه!

همچنین در تفاوت تلفظ بین لغاتی که شبیه هم هستن ولی معنی متفاوتی دارن مثل Lead به معنی سرب یا Lead به معنی هدایت کردن با درک درست موقعیت تونسته دقتی ۹۰ درصدی توی تلفظ داشته باشه

مهمتر از همه در تست های انسانی که افراد نمیدونستن دارن با ai صحبت میکنن یا انسان، تعداد کمی تونستن به درستی شناسایی اش کنن.

مسیر آینده این مدل هم به صورت زیر:

✅ اوپن سورس کردن عناصر اصلی تحقیق تا بقیه بتونن با استفاده ازش محصول تولبد کنن
✅ مدل رو بزرگتر کنن
✅ پشتیبانی از ۲۰ زبان دیگه رو اضافه کنن
✅ با بقیه مدل های زبانی ترکیبش کنن
✅درنهایت مدل هایی بسازن که بتونه به صورت طبیعی گفتگو ایجاد کنه

توی ویدیوهای همراه پست میتونین تجربه کاربرای مختلف از استفاده از این مدل رو ببینید.

1️⃣ ویدیو خود فاندر مدل هست که باهاش کار کرده

2️⃣ یک کاربر ردیت هست که اصلا توش مشخص نیست کدوم ai هست و کدوم انسان واقعی که یکیشون داره از اون یکی اخاذی میکنه.

3️⃣ استفاده خود من هست که البته ته اش یه تهدید ریزی هم بشریت رو میکنه🥺😳😳😳

دمو این مدل روی سایتشون قابل استفاده است

@aipulse24