AI lär sig att ”lyssna”: Kompakta talmarkörer hjälper modeller att förstå talade ord
Stora språkmodeller (LLM) som ChatGPT och Gemini var ursprungligen utformade för att endast fungera med text. Idag har de utvecklats till system som kan hantera många typer av information samtidigt (multimodala system) samt förstå och generera bilder, ljud, tal och musik. Det vanligaste sättet att lägga till tal i multimodala modeller är att konvertera det … Läs mer