محققان در مقاله جدیدی، چارچوب جدیدی به نام MM-VAP را معرفی کردهاند که به روباتهای اجتماعی کمک میکند تا «نوبتگیری» در مکالمات انسانی را بسیار هوشمندانهتر مدیریت کنند.
💡 نکته کلیدی این تکنولوژی:
این سیستم برخلاف روشهای قدیمی که فقط بر صدا متکی بودند، از ترکیب صدا و تصویر استفاده میکند. این یعنی روبات حالا میتواند با تحلیل دقیقتر حرکات و گفتار، لحظه درست برای صحبت کردن یا گوش دادن را بهتر تشخیص دهد. این پیشرفت میتواند دنیای تعامل روباتهای واسط و دستیارهای اجتماعی را دگرگون کند.
آیندهای را تصور کنید که در آن روباتها نه فقط کلمات، بلکه «زبان بدن» و «ریتم مکالمه» ما را هم درک میکنند!
منبع: arXiv AI