تکنولوژیهای تبدیل گفتار به متن (ASR) حالا با یک نوآوری جذاب روبرو هستند! محققان پروژه جدیدی به نام MEUSLI را معرفی کردهاند که به عنوان یک «پروژکتور» هوشمند عمل میکند و مدلهای قدرتمند Whisper را به مدلهای زبانی بزرگ (LLM) متصل میکند.
چرا این خبر مهم است؟
✅ پشتیبانی از ۲۸ زبان اروپایی به صورت متنباز.
✅ افزایش دقت در زبانهای با منابع کم (Low-resource).
✅ فراتر از تبدیل گفتار: قابلیتهایی مثل ترجمه گفتار و تشخیص موضوع تنها با چند ساعت آموزش اختصاصی.
این یعنی در آینده نزدیک، مدلهای هوش مصنوعی ما در درک زبانهای مختلف بسیار دقیقتر و همهجانبهتر عمل خواهند کرد. دنیای SpeechLLM روز به روز جذابتر میشود! 🚀
منبع: arXiv AI