محققان در مقالهای جدید، روشی مبتنی بر گرادیان (Gradient-Based) معرفی کردهاند که میتواند مرزهای زمانی کلمات را در هر مدل «گفتار به متن» (ASR) با دقت بالا شناسایی کند.
تفاوت اصلی این روش در این است که برخلاف روشهای سنتی، نیازی به آموزش مجدد یا تغییر در ساختار مدلهای فعلی (حتی مدلهای بزرگ زبانی یا LLMهای صوتی) ندارد. این ابزار با استفاده از یک تحلیل ساده روی گرادیان خروجی، تراز کردن کلمات را حتی در مدلهای استریمینگ که پیشتر در این زمینه ضعیف بودند، به شکل قابل قبولی بهبود میبخشد. پیشرفتی بزرگ برای توسعهدهندگان حوزه صوت و هوش مصنوعی!
منبع: arXiv AI