دنیای هوش مصنوعی هر روز کاربردیتر میشود! محققان بهتازگی مدل جدیدی به نام ViPo-MLLM معرفی کردهاند که میتواند ویدیوهای زبان اشاره را مستقیماً و بدون نیاز به برچسبگذاریهای پیچیده (Gloss-free)، به متن تبدیل کند.
این مدل با ترکیب دادههای بصری بدن، دست و چهره، دقت بسیار بالایی را به ثبت رسانده و نتایج آن در تستهای استاندارد، حتی از روشهای کلاسیک پیشی گرفته است. این یعنی در آینده نزدیک، ارتباط افراد ناشنوا با دنیای دیجیتال و سیستمهای هوشمند بسیار راحتتر و دقیقتر خواهد شد.
منبع: arXiv AI