Meta បានបង្ហាញគំរូអូឌីយ៉ូ AI ថ្មីកាលពីថ្ងៃចន្ទ ដែលអាចបែងចែករវាងវាគ្មិនច្រើន និងចម្លងភាសាច្រើនក្នុងពេលវេលាជាក់ស្តែង យោងទៅតាម Engadget ក្នុងការផ្លាស់ប្តូរដែលជំរុញឱ្យក្រុមហ៊ុនកាន់តែស៊ីជម្រៅទៅក្នុងទីផ្សារដែលមានមនុស្សកាន់តែច្រើនឡើងសម្រាប់ការនិយាយ AI ។ ព័ត៌មានដំបូងបានរាយការណ៍ពីការប្រកាសគំរូអូឌីយ៉ូ ខណៈពេលដែលផលិតផលដៃគូ — Muse Voice Transcribe ដែលនាំមកនូវការសរសេរតាមសំឡេងតាមពេលវេលាជាក់ស្តែងទៅ Mac — ត្រូវបានរៀបរាប់លម្អិតដោយ 9to5Mac ។

កូនភ្លោះនេះបញ្ចេញសញ្ញាថា Meta កំពុងចាត់ទុកសំឡេងជាការបញ្ចូលថ្នាក់ដំបូងសម្រាប់ជង់ AI របស់វា មិនមែនជាការគិតក្រោយនោះទេ។ ការចម្លងតាមពេលវេលាជាក់ស្តែងដែលអាចគ្រប់គ្រងវាគ្មិនត្រួតគ្នា ការប្តូរភាសាពាក់កណ្តាលការសន្ទនា និងការសរសេរតាមប្រព័ន្ធទាំងមូល គឺជាសមត្ថភាពដែលបង្វែរសំឡេងពីមុខងារថ្មីៗទៅជាចំណុចប្រទាក់ប្រើប្រាស់ប្រចាំថ្ងៃ។ For more context on this story, see our ongoing breaking AI news.

គំរូមួយ សំឡេងច្រើន ច្រើនភាសា

សមត្ថភាពចំណងជើង ដូចដែល Engadget បានរាយការណ៍ គឺជាសមត្ថភាពរបស់គំរូក្នុងការបែងចែករវាងអ្នកនិយាយច្រើន និងភាសាច្រើនក្នុងពេលវេលាជាក់ស្តែង។ ការរួមបញ្ចូលគ្នានោះដោះស្រាយបញ្ហាលំបាកបំផុតពីរនៅក្នុងការចម្លងជាក់ស្តែងក្នុងពេលដំណាលគ្នា៖ ការបញ្ចេញសំឡេងរបស់អ្នកនិយាយ - ការស្វែងរកថាតើអ្នកណានិយាយអ្វី - និងការទទួលស្គាល់ច្រើនភាសា ដែលការសន្ទនារលត់ទៅរវាងភាសាដោយមិនផ្អាក។

បំពង់បញ្ជូនប្រតិចារិកដែលមានស្រាប់ភាគច្រើនចាត់ទុកដំណាក់កាលទាំងនេះជាដំណាក់កាលដាច់ដោយឡែកពីគ្នា៖ ដំបូងគំរូ diarization បំបែកវាគ្មិន បន្ទាប់មកគំរូការទទួលស្គាល់ធ្វើប្រតិចារឹកផ្នែកនីមួយៗ។ ការបញ្ចូលពួកវាទៅក្នុងគំរូពេលវេលាជាក់ស្តែងតែមួយ គឺជាអ្វីដែលធ្វើឱ្យបច្ចេកវិទ្យាអាចដំណើរការបានសម្រាប់ករណីប្រើប្រាស់ផ្ទាល់ ដូចជាការប្រជុំ ការសម្ភាសន៍ ការហៅទូរស័ព្ទរបស់អតិថិជន ការបកប្រែបន្តផ្ទាល់ ដែលការរង់ចាំក្រោយដំណើរការបរាជ័យនឹងគោលបំណង។

Muse Voice Transcribe នាំមកនូវការសរសេរតាមអានទៅគ្រប់កម្មវិធី Mac

ទន្ទឹមនឹងម៉ូដែលនេះ Meta បានបើកដំណើរការ Muse Voice Transcribe សម្រាប់ macOS ។ ដូចដែល 9to5Mac បានរាយការណ៍ ឧបករណ៍នេះផ្តល់នូវការសរសេរតាមសំឡេងតាមពេលវេលាជាក់ស្តែងដែលដំណើរការលើកម្មវិធី Mac — មានប្រសិទ្ធភាពស្រទាប់សរសេរតាមប្រព័ន្ធជាជាងកម្មវិធីឯករាជ្យ។ ការគ្របដណ្តប់របស់ Gadget Review បានពណ៌នាថាវានាំមកនូវការសរសេរតាមពេលវេលាជាក់ស្តែងដល់គ្រប់កម្មវិធី Mac ។

ការរចនានោះមានសារៈសំខាន់សម្រាប់ការទទួលយក ឧបករណ៍​សរសេរ​តាម​រយៈ​ការ​រស់​នៅ ឬ​ស្លាប់​ដោយ​ការ​កកិត៖ ប្រសិន​បើ​អ្នក​ប្រើ​ត្រូវ​ចម្លង​អត្ថបទ​ចេញ​ពី​បង្អួច​ដាច់​ដោយ​ឡែក ពួកគេ​ឈប់​ប្រើ​វា។ ធ្វើការនៅកម្រិតប្រព័ន្ធ មានន័យថាការបញ្ចូលសំឡេងអាចប្រើបានគ្រប់ទីកន្លែងដែលទស្សន៍ទ្រនិចលោតភ្លឹបភ្លែតៗ — អ៊ីមែល កម្មវិធីនិពន្ធកូដ កម្មវិធីផ្ញើសារ ឯកសារ — ដែលនេះជារបៀបដែលឧបករណ៍សរសេរតាមអានដ៏ជោគជ័យបំផុតបានឈ្នះទស្សនិកជនរបស់ពួកគេ។

ការចេញផ្សាយរបស់ Mac ក៏សម្គាល់ទឹកដីគួរឱ្យកត់សម្គាល់សម្រាប់ Meta ផងដែរ។ កិច្ចខិតខំប្រឹងប្រែង AI របស់ក្រុមហ៊ុនបានផ្តោតលើកម្មវិធីទូរស័ព្ទរបស់ខ្លួន ជំនួយការ Meta AI និងម៉ូដែល Llama-family និង Muse-family របស់ខ្លួន។ ការដឹកជញ្ជូនឧបករណ៍ផលិតភាពផ្ទៃតុដែលរលោងសម្រាប់វេទិការបស់ក្រុមហ៊ុន Apple ធ្វើឱ្យ Meta ទាក់ទងដោយផ្ទាល់ជាមួយមូលដ្ឋានអ្នកប្រើប្រាស់ដែលមានជំនាញវិជ្ជាជីវៈដែលវាធ្លាប់មានការលំបាកជាប្រវត្តិសាស្ត្រដើម្បីឈានដល់ - ហើយដាក់វានៅក្នុងការប្រកួតប្រជែងជាមួយនឹងឧបករណ៍ប្រើប្រាស់តាមអាន និងប្រតិចារិកដែលបានបង្កើតឡើងនៅលើវេទិកា។

ទីវាលដែលមានមនុស្សច្រើនដែលបន្តលឿនជាងមុន

មេតា​កំពុង​ចូល​ទីផ្សារ​មួយ​ដែល​ត្រូវ​បាន​គេ​កំណត់​តម្លៃ​និង​វិស្វកម្ម​ឡើង​វិញ​ក្នុង​រយៈ​ពេល​ពីរ​ឆ្នាំ​កន្លង​មក​នេះ។ គំរូប្រភពបើកចំហរបស់ OpenAI កំណត់មូលដ្ឋានសម្រាប់ការចម្លងពហុភាសាដែលអាចចូលដំណើរការបាន ហើយ GPT Transcribe API ដែលបង់ប្រាក់របស់ក្រុមហ៊ុនបានកាត់បន្ថយទីផ្សារពាណិជ្ជកម្មភាគច្រើនលើតម្លៃ។ ទន្ទឹមនឹងនោះ Google បានជំរុញយ៉ាងខ្លាំងក្នុងទិសដៅដូចគ្នា៖ គំរូប្រតិចារឹកដែលប្រើថាមពល Gemini ដែលគ្របដណ្តប់រាប់សិបភាសាក្នុងពេលវេលាជាក់ស្តែងត្រូវបានដាក់ឱ្យដំណើរការសម្រាប់អ្នកអភិវឌ្ឍន៍ ដូចដែលយើងបានគ្របដណ្តប់នៅពេលដែល Google បានដឹកជញ្ជូនគំរូប្រតិចារឹកការនិយាយតាមពេលវេលាជាក់ស្តែងចំនួន 85 ភាសារបស់ខ្លួន។

ប្រឆាំងនឹងផ្ទៃខាងក្រោយនោះ ភាពខុសប្លែកគ្នាបានផ្លាស់ប្តូរពីភាពត្រឹមត្រូវឆៅ ដែលអ្នកដឹកនាំត្រូវបានចង្កោមក្នុងសំលេងរំខានគ្នាទៅវិញទៅមកនៅលើស្តង់ដារស្តង់ដារ - ទៅជាព័ត៌មានលម្អិតជាក់ស្តែង៖ ភាពយឺតយ៉ាវ ការគ្រប់គ្រងវាគ្មិន ការផ្លាស់ប្តូរកូដរវាងភាសា ការកំណត់តម្លៃ និងកន្លែងដែលម៉ូដែលដំណើរការ។ ការសង្កត់ធ្ងន់របស់ Meta លើឧបករណ៍បំពងសំឡេងច្រើនក្នុងពេលដំណាលគ្នា និងការទទួលស្គាល់ច្រើនភាសាក្នុងពេលវេលាជាក់ស្តែង សំដៅទៅលើព័ត៌មានលម្អិតជាក់ស្តែងទាំងនោះយ៉ាងជាក់លាក់។

ហេតុអ្វីបានជាសំឡេងភ្លាមៗជាយុទ្ធសាស្ត្រ

ពេលវេលាមិនចៃដន្យទេ។ Voice កំពុងក្លាយជាចំណុចប្រទាក់លំនាំដើមសម្រាប់ភ្នាក់ងារ AI ហើយក្រុមហ៊ុនដែលជាម្ចាស់ស្រទាប់អូឌីយ៉ូ — ការចាប់យក ការចម្លង ការយល់ដឹង ការឆ្លើយតប — គ្រប់គ្រងចំណុចចូលធម្មជាតិបំផុតចំពោះបទពិសោធន៍ជំនួយ។ Meta ត្រូវបានផ្សព្វផ្សាយជាសាធារណៈអំពីមហិច្ឆតារបស់ខ្លួនសម្រាប់វ៉ែនតា AI និងឧបករណ៍ដែលអាចពាក់បាន ដែលសំឡេងគឺជាធាតុបញ្ចូលជាក់ស្តែងតែមួយគត់។ គំរូអូឌីយ៉ូដែលមានល្បឿនលឿន ត្រឹមត្រូវ និងនៅពេលធ្វើដំណើរ គឺជាហេដ្ឋារចនាសម្ព័ន្ធសម្រាប់ផែនទីបង្ហាញផ្លូវនោះ។

ក៏មានមុំសហគ្រាសផងដែរ។ ការប្រជុំ ការហៅទូរស័ព្ទជំនួយ និងការងារវាលបង្កើតបរិមាណដ៏ធំសម្បើមនៃអូឌីយ៉ូពហុ Speaker ដែលស្ថាប័នចង់ស្វែងរក និងអាចធ្វើសកម្មភាពបាន។ គំរូដែលធ្វើប្រតិចារឹកដោយភាពជឿជាក់ នៅពេលដែលការសន្ទនាកើតឡើង — ជាមួយវាគ្មិនដែលមានស្លាកសញ្ញា និងភាសាដែលគ្រប់គ្រងដោយមិនមានការកំណត់រចនាសម្ព័ន្ធដោយដៃ — គឺជាភាពខុសគ្នារវាងការបង្ហាញ និងផលិតផលមួយ។

ការចម្លងតាមពេលវេលាជាក់ស្តែងផ្តល់អត្ថប្រយោជន៍លើសពីភាពងាយស្រួលផងដែរ។ ចំណងជើងបន្តផ្ទាល់ធ្វើឱ្យការប្រជុំ ថ្នាក់រៀន និងការផ្សាយអាចចូលប្រើបានសម្រាប់អ្នកប្រើប្រាស់ថ្លង់ និងពិបាកស្តាប់ និងចំណងជើងពហុភាសាភ្លាមៗ កាត់បន្ថយឧបសគ្គភាសាសម្រាប់ក្រុមអន្តរជាតិ។ នៅពេលដែលការចម្លងមានល្បឿនលឿនគ្រប់គ្រាន់ដើម្បីរក្សាល្បឿនជាមួយនឹងការនិយាយធម្មជាតិ និងរឹងមាំគ្រប់គ្រាន់ដើម្បីតាមដានវាគ្មិនច្រើនក្នុងពេលតែមួយ មុខងារភាពងាយស្រួលទាំងនោះឈប់ក្លាយជាកន្លែងស្នាក់នៅពិសេស ហើយក្លាយជាលំនាំដើមដែលបានបង្កើតឡើងនៅក្នុងឧបករណ៍ប្រចាំថ្ងៃ។

Meta មិន​បាន​ប្រកាស​ពី​តម្លៃ ឬ​ព័ត៌មាន​លម្អិត​អំពី​ភាព​អាច​រក​បាន​ពេញលេញ​នៅ​ក្នុង​ការ​គ្របដណ្តប់​ដំបូង​ឡើយ។ ប៉ុន្តែទិសដៅគឺមិនអាចប្រកែកបាន៖ ស្រទាប់អូឌីយ៉ូនៃជង់ AI ដែលចាត់ទុកជាទំនិញយូរមកហើយនោះ ឥឡូវនេះជាមុខនៅក្នុងសង្គ្រាមវេទិកា ហើយ Meta បានសម្រេចចិត្តប្រយុទ្ធជាមួយវា។

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →