A
A
Haru-4B: Worst Speech-to-Speech Full Duplex Model Yet?

Haru-4B: Worst Speech-to-Speech Full Duplex Model Yet?

Lejátszás
  • Angol
  • Magyar
  • 8 perc

Haru-4B beszédmodell: ígéretes technológia, de messze az emberi párbeszéd élményétől

Bemutató, amelyben egy új japán beszéd-szöveg-beszéd AI modellt tesztelnek, különös figyelemmel a valóságos párbeszédre és technikai megoldásokra.

Szombat reggel Sydneyben egy felhasználó a Higurashi nevű japán vállalat Haru-4B beszéd-szöveg-beszéd mesterséges intelligencia modelljét teszteli, amelyet teljes duplex párbeszédre terveztek, vagyis egyszerre képes hallgatni és válaszolni. Az első bemutatott példában a modell meglehetősen irreleváns, ismétlődő válaszokat ad, a felhasználó pedig megjegyzi, hogy a hivatalos demó alapján sokkal többet várnánk el tőle.

Érdekesség, hogy a modell angolul és japánul működik valamennyire, noha a fejlesztők több nyelvet is ígérnek, sőt az egész modell kódja és képzésének részletei nyílt forráskóddal elérhetőek. A bemutató során a tesztelő saját példákkal is próbálkozik, például egy kitalált élethelyzetet szimulálva, ahol a mesterséges intelligencia egy otthoni cukrász személyiségét öltené magára. Azonban újra csak sablonos, kicsit zavaros válaszokat kap.

Részletesen bemutatásra kerül a Haru-4B technológiai felépítése is – elsősorban az az újszerű architektúra, amelyben a beszédet nem lépésről lépésre, hanem párhuzamosan, egymásba ágyazott hang- és szövegszeletekből generálja a rendszer. Mindez elméletben gyorsabb, természetesebb válaszokat és nagyobb érzelmi átvitelt tesz lehetővé egy beszélgetés során.

Felvetődik a kérdés: vajon a mesterséges intelligencia jelenlegi változata miért teljesít ennyire alul, és érdemes-e bízni a jövőbeli fejlesztésekben? A tesztelés során ugyanis a modell nagyon messze van az emberi társalgás élményétől, hiába az impozáns technikai háttér.