Speech Info
@speechinfo - قناة Telegram
0/5
0 تقييمات
1.3K
المشتركون
11/07/26
أُضيف
حول Speech Info
Speech Info هو قناة تيليجرام مخصص لـ أخرى، ويضم أكثر من 1 ألف مشترك. Инженеры из Яндекса разбирают и комментируют горячие статьи об ML и аудио. Вопросы и предложения > @yandex_ml_brand انضم إلى القناة لتصلك كل التحديثات مباشرة على تيليجرام.
الوصف الأصلي
Инженеры из Яндекса разбирают и комментируют горячие статьи об ML и аудио. Вопросы и предложения > @yandex_ml_brand
الرسائل الأخيرة
Qwen3-TTS Technical Report [2/2]
Продолжаем обсуждать
новинку
от команды Alibaba. В предыдущем посте разобрали архитектуру Qwen3-TTS, в этом рассмотрим, как и на чём его обучали.
Для обучения используют сначала 5M+ часов многоязычной речи, затем continual pretraining на более качественных данных, чтобы снизить галлюцинации и улучшить качество, затем long-context stage, где увеличивают контекст с 8
Три работы о том, как сделать речь полноценной модальностью для LLM
В сегодняшней подборке — три любопытные идеи: от генерации голосового ответа с ризонингом без лишней задержки до более компактных речевых представлений и подготовки аудиоданных для мультимодального претрейна.
STITCH: Simultaneous Thinking and Talking with Chunked Reasoning for Spoken Language Models
Статья Microsoft о том, как доб
Reward-Driven Interaction: Enhancing Proactive Dialogue Agents through User Satisfaction Prediction
Разбираем
статью
об улучшении диалоговых агентов с помощью «проактивности». Речь о способности системы в нужный момент задать уточняющий вопрос, если она понимает, что пользователь, скорее всего, останется недоволен ответом.
Применяют обычный для голосового ассистента каскадный пайплайн: отдельный A
Как устроена голосовая активация в Яндекс Дропс
Недавно Яндекс запустил свои первые ИИ-наушники — Яндекс Дропс. В числе прочего они умеют распознавать обращение «Алиса», а отвечает за эту способность компонент, который мы внутри называем «споттером» (чуть подробнее писали о споттерах
тут
). И если с голосовой активацией в колонках всё плюс-минус понятно, то перенести её в наушники — это челлендж.
Chunk-wise Attention Transducers for Fast and Accurate Streaming Speech-to-Text
В NVIDIA есть несколько сотрудников, которые стабильно пишут интересные статьи об ASR в целом и RNN-T в частности. Примеры таких работ —
FastConformer
,
TDT
,
WIND
. Сегодня расскажем о
CHAT
, суть которого также в улучшении RNN-T. Но сначала вспомним, что это такое.
Recurrent Neural Network Transducer — архитектура дл
Ускорили перевод видео в Яндекс Браузере — задистиллировали диффузионный декодер TTS
Сегодня делимся свежей
хабростатьёй
о том, как ускорили синтез речи при переводе видео в Яндекс Браузере.
С чего стартовали
Внутри TTS — каскад из трёх частей:
🔴
языковая модель предсказывает аудиотокены по тексту;
🔴
диффузионный декодер восстанавливает мел-спектрограмму из латентов;
🔴
вокодер превращает её в звук
UALM: Unified Audio Language Model for Understanding, Generation and Reasoning
В более ранних статьях аудиопонимание и генерация традиционно шли параллельно и не пересекались. Но, если задуматься, человек, решая задачу в области аудио, одновременно мыслит словами и воспринимает звук, постоянно переключая в голове эти модальности — например, так происходит, когда композитор пишет музыку.
Объединить
Voxtral Realtime
Разбираем статью о модели
Voxtral Realtime
, в которой предложили ещё один способ, как стримить speech-to-text.
Авторы утверждают, что у них получилось сделать модель, в которой можно контролировать латенси и которая при задержке в полсекунды имеет паритет по качеству с Whisper. Если увеличить задержку до секунды, то модель начинает превосходить Whisper, ещё больше — например, 2,5
معاينة نصية لأحدث الرسائل العامة — لا يتم عرض محتوى الوسائط.
التقييمات (0)
لا توجد تقييمات بعد
الأسئلة الشائعة
اضغط على زر 'فتح في تيليجرام' ثم اضغط 'اشتراك' للانضمام إلى القناة.
نعم، افتح القناة، واضغط على الاسم في الأعلى، ثم 'الإشعارات' واختر 'كتم' للمدة التي تريدها.
يختلف تكرار النشر من قناة إلى أخرى. اطّلع على المنشورات الأخيرة لتأخذ فكرة.
تحتوي بعض القنوات على رابط مجموعة نقاش أو جهة اتصال المسؤول في الوصف. وإلا فلا يمكن التواصل معهم مباشرة.
المزيد من قنوات في أخرى
