Kërkuesit në Amazon kanë trajnuar modelin më të madh ndonjëherë për konvertimin e tekstit në zë deri më tani, të cilin ata pretendojnë se shfaq “aftësi të reja” që përmirësojnë aftësinë e tij për të folur edhe fjalë të ndërlikuara në mënyrë natyrale.
Modeli i ri quhet Big Adaptive Streamable TTS with Emergent abilities, ose shkurt BASE TTS. Versioni më i madh i modelit përdor 100,000 orë fjalim në domenin publik, 90% e të cilave është në anglisht, pjesa tjetër në gjermanisht, holandisht dhe spanjisht.
Por, ky model ka rezultuar të hasë problematika me ato tekste të cilat shfaqin disa mangësi si: përdorimi i fjalëve të pakuptimta, mungesë të shenjave të pikësimit aty ku duhet, drejtshkrim jo i rregullt e të tjera. Ka një mori shembujsh të këtyre teksteve të vështira që thuhen fare natyrshëm nga modeli i ri i krijuar.
Për shkak se tre modelet BASE TTS ndajnë një arkitekturë, duket qartë se madhësia e modelit dhe shtrirja e të dhënave të tij të trajnimit, janë shkaku i aftësisë së modelit për të trajtuar disa nga kompleksitetet e mësipërme. Mbani në mend se ky është ende një model dhe proces eksperimental, jo një model komercial apo ndonjë gjë tjetër. Hulumtimet e mëvonshme do të duhet të identifikojnë pikën e përkuljes për “aftësitë e reja” dhe si të trajnohet dhe vendoset modeli që rezulton në mënyrë efikase.
Veçanërisht, ky model është “i transmetueshëm”, siç thotë emri, që do të thotë se nuk ka nevojë të gjenerojë fjali të tëra menjëherë, por shkon moment pas momenti me një shpejtësi relativisht të ulët të bite-ve. Ekipi është përpjekur gjithashtu të paketojë metadatat e të folurit si emocionaliteti dhe kështu me radhë në një transmetim të veçantë, me gjerësi bande të ulët që mund të shoqërojë audio-ja.
Që nga viti 2015 nxisim shpirtin sipërmarrës, inovacionin dhe rritjen personale duke ndikuar në zhvillimin e një mjedisi motivues dhe pozitiv tek lexuesit tanë. Mbështetja juaj na ndihmon ta vazhdojmë këtë mision.
Na Suporto
