Speech Info
@speechinfo - Canal Telegram
0/5
0 reseñas
1.3K
Suscriptores
11/07/26
Añadido
Información sobre Speech Info
Speech Info es un canal de Telegram dedicado a Otros, con más de 1k suscriptores. Инженеры из Яндекса разбирают и комментируют горячие статьи об ML и аудио. Вопросы и предложения > @yandex_ml_brand Únete al canal para recibir todas las novedades directamente en Telegram.
Descripción original
Инженеры из Яндекса разбирают и комментируют горячие статьи об ML и аудио. Вопросы и предложения > @yandex_ml_brand
Mensajes recientes
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
Vista previa de texto de los últimos mensajes públicos — el contenido multimedia no se muestra.
Reseñas (0)
Aún no hay reseñas
Preguntas Frecuentes
Pulsa el botón 'Abrir en Telegram' y luego presiona 'Suscribirse' para unirte al canal.
Sí, abre el canal, toca el nombre en la parte superior, luego 'Notificaciones' y elige 'Silenciar' durante el tiempo que quieras.
La frecuencia de publicación varía de un canal a otro. Revisa las publicaciones recientes para hacerte una idea.
Algunos canales tienen un enlace a un grupo de debate o el contacto del administrador en la descripción. De lo contrario, no se puede contactar directamente.
Otros Canales en Otros
