Standard Intelligence har meddelat att de har publicerat hertz-dev, den första öppna AI-modellen för talsyntes i duplext lÀge, som kan anvÀndas som grund för att skapa realtids röstkommunikationssystem eller generera konverserande tal. Modellen gör det möjligt att generera tal som ligger nÀra de röstdata den trÀnats pÄ och möjliggör interaktion i stil med mÀnsklig kommunikation utan fördröjningar, vilket pÄminner om ett avbrutet telefonsamtal. Projektets resultat sprids under Apache 2.0-licensen.
PÄ ett system med NVIDIA GeForce RTX 4090 GPU Àr den genomsnittliga latensen före generering 120 ms (teoretiskt upp till 65 ms), vilket Àr ungefÀr dubbelt sÄ snabbt som befintliga modeller som finns tillgÀngliga. Den publicerade versionen Àr byggd med hjÀlp av "transformer"-arkitekturen, omfattar 8,5 miljarder parametrar och trÀnades med 500 miljarder token. Den mÀngd kontext som modellen beaktar (antalet token som modellen kan bearbeta och komma ihÄg vid talgenerering) Àr 2048 token eller ungefÀr 4 minuter tal.
KĂ€lla: opennet.ru
