Podjetje Standard Intelligence je objavilo hertz-dev, prvo odprto AI-model za sintezo govora v polnodupleksnem načinu, ki ga je mogoče uporabiti kot podlago za ustvarjanje sistemov glasovne komunikacije v realnem času ali generiranje pogovornega govora. Model omogoča generiranje govora, ki je blizu glasovnim podatkom, na katerih je bil usposobljen, in zagotavlja interakcijo v slogu živega človeškega komuniciranja brez zamud, ki spominjajo na prekinjene telefonske pogovore. Razvoj projekta se širi pod licenco Apache 2.0.
Na sistemu z GPU NVIDIA GeForce RTX 4090 povprečna zakasnitev pred generacijo znaša 120 ms (teoretično do 65 ms), kar je približno dvakrat hitreje kot pri trenutno dostopnih obstoječih modelih. Objavljena različica je zgrajena z uporabo arhitekture „transformer“, pokriva 8,5 milijarde parametrov in je bila usposobljena z uporabo 500 milijard tokenov. Velikost upoštevanega konteksta modela (število tokenov, ki jih model lahko obdela in si zapomni pri generiranju govora) znaša 2048 tokenov ali približno 4 minute govora.
Izvor: opennet.ru
