مدلهای تبدیل «متن به صوت» (Text-to-Audio) مثل AudioLDM، کیفیت شگفتانگیزی دارند، اما هزینهی پردازشی بسیار بالای آنها همیشه یکی از چالشهای اصلی برای استفاده عملی بوده است.
در مطالعه جدیدی که به تازگی منتشر شده، محققان با استفاده از تکنیک «هرس کردن» (Pruning)، توانستند ۸۳ درصد از پارامترهای شبکه عصبی این مدلها را کاهش دهند، بدون اینکه کیفیت خروجی افت کند. این دستاورد به این معنی است که در آینده نزدیک، مدلهای هوش مصنوعیِ صوتیِ سریعتر و بهینهتری را روی دستگاههای معمولیتر خواهیم دید.
تیم تحقیق با بررسی دقیق توانستند با تنظیمات مجدد، حتی صداهای پیچیده (مانند آژیرها یا ابزارهای مکانیکی) را هم با مدل فشردهشده به درستی تولید کنند. این گامی بزرگ برای کاربردیتر کردن AI در زندگی روزمره است. 🚀
منبع: arXiv AI