Meta ilizindua muundo mpya wa sauti wa AI mnamo Jumatatu ambao unaweza kutofautisha kati ya wasemaji wengi na kunakili lugha nyingi kwa wakati halisi, kulingana na Engadget, katika hatua ambayo inasukuma kampuni zaidi katika soko linalozidi kujaa kwa AI ya hotuba. Taarifa ya kwanza iliripoti tangazo la muundo wa sauti, huku bidhaa shirikishi - Muse Voice Transcribe, iliyoleta imla ya sauti ya wakati halisi kwa Mac - ilifafanuliwa na 9to5Mac.
Pacha huyo anatoa ishara kwamba Meta inachukulia sauti kama ingizo la daraja la kwanza kwa mrundikano wake wa AI, sio mawazo ya baadaye. Unukuzi wa wakati halisi ambao unaweza kushughulikia spika zinazopishana, kubadilisha lugha katikati ya mazungumzo, na imla ya mfumo mzima ni uwezo unaogeuza sauti kutoka kwa kipengele kipya hadi kiolesura cha matumizi ya kila siku. For more context on this story, see our ongoing more AI stories.
Muundo mmoja, sauti nyingi, lugha nyingi
Uwezo wa kichwa, kama Engadget ilivyoripoti, ni uwezo wa modeli wa kutofautisha kati ya wazungumzaji wengi na lugha nyingi kwa wakati halisi. Mchanganyiko huo hushughulikia matatizo mawili magumu zaidi katika unukuzi wa vitendo kwa wakati mmoja: uwekaji sauti wa mzungumzaji - kutafuta ni nani alisema nini - na utambuzi wa lugha nyingi, ambapo mazungumzo hupita kati ya lugha bila kusitisha.
Mabomba mengi ya unukuzi yaliyopo huchukulia hizi kama hatua tofauti: kwanza muundo wa uwekaji sauti hugawanya spika, kisha muundo wa utambuzi unanukuu kila sehemu. Kuziunganisha katika muundo mmoja wa wakati halisi ndiko kunakofanya teknolojia iweze kutumika kwa matukio ya matumizi ya moja kwa moja - mikutano, mahojiano, simu za wateja, uletaji wa tafsiri za moja kwa moja - ambapo kungoja baada ya kuchakata kunatatiza kusudi.
Muse Voice Transcribe huleta imla kwa kila programu ya Mac
Kando ya modeli, Meta ilizindua Muse Voice Transcribe kwa macOS. Kama 9to5Mac ilivyoripoti, zana hutoa maagizo ya sauti ya wakati halisi ambayo hufanya kazi kwenye programu za Mac - kwa ufanisi safu ya imla ya mfumo mzima badala ya programu inayojitegemea. Chanjo ya Ukaguzi wa Kifaa iliielezea kama kuleta imla ya wakati halisi kwa kila programu ya Mac.
Muundo huo ni muhimu kwa kupitishwa. Zana za kuamuru huishi au kufa kwa msuguano: ikiwa watumiaji watalazimika kunakili maandishi kutoka kwa dirisha tofauti, wataacha kuitumia. Kufanya kazi katika kiwango cha mfumo kunamaanisha kwamba uwekaji sauti kwa kutamka unapatikana popote pale kiteuzi kinapometa - barua pepe, vihariri vya misimbo, programu za kutuma ujumbe, hati - ambayo ndiyo njia hasa zana za imla zenye ufanisi zaidi zimeshinda hadhira yake.
Toleo la Mac pia linaashiria eneo mashuhuri la Meta. Juhudi za AI za kampuni zimejikita kwenye programu zake za rununu, msaidizi wake wa Meta AI, na mifano yake ya Llama-familia na Muse-family. Usafirishaji wa zana iliyoboreshwa ya tija ya eneo-kazi kwa ajili ya jukwaa la Apple huweka Meta katika mawasiliano ya moja kwa moja na msingi wa mtumiaji wa kitaalamu ambayo imekuwa vigumu kufikia kihistoria - na kuiweka katika ushindani na huduma za imla na unukuzi kwenye jukwaa.
Uwanja wenye watu wengi ambao unaendelea kupata kasi
Meta inaingia katika soko ambalo limewekewa bei na kutengenezwa upya katika kipindi cha miaka miwili iliyopita. Miundo ya chanzo huria ya OpenAI ya Whisper huweka msingi wa unukuzi unaopatikana kwa lugha nyingi, na API ya kampuni inayolipishwa ya GPT Transcribe inapunguza soko kubwa la biashara kwa bei. Google, wakati huo huo, imesukuma kwa nguvu katika mwelekeo ule ule: Miundo ya unukuzi inayoendeshwa na Gemini inayoshughulikia lugha nyingi kwa wakati halisi imetolewa kwa wasanidi programu, kama tulivyoshughulikia wakati Google iliposafirisha miundo yake ya manukuu ya matamshi ya wakati halisi ya lugha 85.
Kulingana na hali hiyo, utofautishaji umebadilika kutoka kwa usahihi mbichi - ambapo viongozi wameunganishwa ndani ya kelele za kila mmoja kwa alama za kawaida - hadi kwa maelezo ya vitendo: muda wa kusubiri, ushughulikiaji wa spika, ubadilishaji msimbo kati ya lugha, bei, na ambapo mtindo unaendeshwa. Msisitizo wa Meta katika utambuzi wa wakati mmoja wa wazungumzaji wengi na lugha nyingi katika muda halisi unalenga kwa usahihi maelezo hayo ya vitendo.
Kwa nini sauti ni ya kimkakati ghafla
Muda sio bahati mbaya. Sauti inakuwa kiolesura chaguo-msingi kwa mawakala wa AI, na kampuni zinazomiliki safu ya sauti - kunasa, kunukuu, kuelewa, kujibu - hudhibiti mahali pa kawaida zaidi pa kuingilia kwa matumizi ya wasaidizi. Meta imekuwa hadharani kuhusu matamanio yake ya miwani ya AI na vifaa vinavyoweza kuvaliwa, ambapo sauti ndiyo njia pekee inayotumika. Muundo wa sauti wa haraka, sahihi, popote ulipo ni miundombinu ya ramani hiyo ya barabara.
Pia kuna angle ya biashara. Mikutano, simu za usaidizi, na kazi ya shambani huzalisha sauti nyingi sana za spika nyingi ambazo mashirika yanataka kutafutwa na kutekelezeka. Muundo unaonakili kwa uhakika mazungumzo yanapofanyika - yenye spika zenye lebo na lugha zinazoshughulikiwa bila usanidi wa mtu mwenyewe - ndio tofauti kati ya onyesho na bidhaa.
Unukuzi wa wakati halisi hubeba manufaa zaidi ya urahisi, pia. Manukuu ya moja kwa moja hufanya mikutano, madarasa na matangazo kufikiwa na watumiaji viziwi na wasiosikia, na manukuu ya papo hapo ya lugha nyingi kupunguza vizuizi vya lugha kwa timu za kimataifa. Wakati unukuzi una kasi ya kutosha ili kuendana na kasi ya usemi asilia na imara vya kutosha kufuatilia spika nyingi kwa wakati mmoja, vipengele hivyo vya ufikivu huacha kuwa makao maalum na kuwa chaguo-msingi vilivyojumuishwa katika zana za kila siku.
Meta haijatangaza bei au maelezo kamili ya upatikanaji katika toleo la awali. Lakini mwelekeo ni dhahiri: safu ya sauti ya safu ya AI, iliyochukuliwa kwa muda mrefu kama bidhaa, sasa iko mbele katika vita vya jukwaa - na Meta imeamua kupigana nayo.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
