محققان به روش جدیدی برای تشخیص دقیقتر احساسات (مثبت یا منفی) در مکالمات دست یافتهاند. این مدل با استفاده از معماری «چندوجهی»، علاوه بر تحلیل لحن صدا، از متنهای استخراج شده توسط سیستمهای تشخیص گفتار (ASR) و ترجمه آنها به زبانهای مختلف استفاده میکند.
نکته جذاب اینجاست که آنها با استفاده از تکنیک «تقطیر دانش» (Distillation)، موفق شدند این هوش را به مدلهای صوتی سبکتر منتقل کنند تا بدون نیاز به قدرت پردازشی سنگین در زمان اجرا، خروجیهای بسیار دقیقی داشته باشند. قدمی بزرگ برای بهبود تعامل انسان و کامپیوتر! 🤖✨
منبع: arXiv AI