A Standard Intelligence bejelentette a hertz-dev kiadását, az első nyílt AI-modellt, amely teljes duplekszes üzemmódban képes beszéd szintetizálására, és amely alapként szolgálhat valós idejű hangkommunikációs rendszerek létrehozásához vagy párbeszéd generálásához. A modell képes a tanulmányozott hangadatokhoz hasonló beszédet generálni, biztosítva az élő emberi interakció stílusát késlekedések nélkül, amelyek egy megszakított telefonbeszélgetésre emlékeztetnek. A projekt fejlesztése Apache 2.0 licenc alatt kerül forgalomba.
A NVIDIA GeForce RTX 4090 GPU-val rendelkező rendszeren a generálás előtti átlagos késlekedés 120 ms (elméletileg akár 65 ms), ami körülbelül kétszer gyorsabb, mint a nyilvánosan elérhető meglévő modellek. A közzétett változat a "transformer" architektúrával készült, 8,5 milliárd paramétert tartalmaz, és 500 milliárd token felhasználásával lett betanítva. A modell által figyelembe vett kontextus mérete (a tokenek száma, amelyeket a modell képes feldolgozni és megjegyezni a beszéd generálása során) 2048 token, ami körülbelül 4 perc beszédnek felel meg.
Forrás: opennet.ru
