Společnost Standard Intelligence oznámila vydání hertz-dev, první otevřené AI modelu pro syntézu řeči v plném duplexu, který může být použit jako základ pro vytváření systémů hlasové komunikace v reálném čase nebo generování konverzační řeči. Model umožňuje generovat řeč blízkou hlasovým datům, na kterých byl vyškolen, a zajišťuje interakci ve stylu živého lidského dialogu bez prodlení, která připomíná přerušovaný telefonní rozhovor. Vývoj projektu je šířen pod licencí Apache 2.0.
Na systému s GPU NVIDIA GeForce RTX 4090 průměrná latence před generováním činí 120 ms (teoreticky až 65 ms), což je přibližně dvakrát rychlejší než u existujících modelů dostupných veřejně. Publikovaná varianta byla postavena s využitím architektury "transformer", pokrývá 8,5 miliard parametrů a byla vyškolena pomocí 500 miliard tokenů. Velikost kontextu, který model bere v úvahu (počet tokenů, které model může zpracovat a zapamatovat si při generování řeči), činí 2048 tokenů nebo přibližně 4 minuty řeči.
Zdroj: opennet.ru
