Firma Standard Intelligence teatas hertz-dev, esimese avatud AI mudeli avaldamisest, mis on mõeldud kõnesünteesiks täisdubli režiimis. Seda saab kasutada reaalajas häälte kommunikatsioonisüsteemide loomise või kõneseemne genereerimise aluseks. Mudel võimaldab genereerida kõne, mis sarnaneb sellel treenitud hääldataandega, tagades samas interaktsiooni, mis sarnaneb elava inimkommunikatsiooniga ilma viivitusteta, mis meenutavad katkestatud telefonikõnet. Projekti arendused jagatakse Apache 2.0 litsentsi all.
NVIDIA GeForce RTX 4090 GPU-ga varustatud süsteemil on keskmine viivitus genereerimise eel 120 ms (teoreetiliselt kuni 65 ms), mis on ligikaudu kaks korda kiiremini kui olemasolevad avatud mudelid. Avaldatud variandi aluseks on „transformatori“ arhitektuur, millel on 8,5 miljardit parameetrit ja mis on koolitatud 500 miljardi tokeni abil. Mudeli konteksti suurus (tokenite arv, mida mudel suudab genereerimise käigus töödelda ja meeles pidada) on 2048 tokenit või umbes 4 minutit kõnet.
Allikas: opennet.ru
