تولید ویدیوهای زبان اشاره همیشه به دلیل نیاز به مدلهای بزرگ و هزینههای پردازشی بالا، چالشی جدی بوده است. اما محققان در مدل جدیدی به نام Text2Sign موفق شدهاند با استفاده از تنها یک کارت گرافیک معمولی (NVIDIA L4)، ویدیوهای باکیفیت و منسجم از زبان اشاره تولید کنند.
این مدل با ترکیب روشهای خلاقانه در یادگیری spatiotemporal، راه را برای دسترسی بهتر جامعه ناشنوایان به ابزارهای هوش مصنوعی هموارتر کرده و ثابت میکند که برای کارهای بزرگ همیشه نیازی به ابرکامپیوترها نیست! 💡
منبع: arXiv Computer Vision