登录

Bland 发布 Tofu-1:面向嘈杂高风险电话的全双工语音模型,开放研究预览

61
  • mozi
    UID 809楼主

    语音公司 Bland 发布了新的语音到语音模型 Tofu-1,定位是在条件很差、一旦听错代价又很高的电话场景里工作,例如信号不好的车内、医院病房,或是好几个人同时说话的环境。它是全双工模型:一边说一边听,通话中途可以被打断或纠正;同时能在开口的时候继续处理任务,不必为了查资料而把对话停住。

    和常见的「语音转文字、再交给语言模型、再合成语音」级联方案不同,Tofu-1 直接处理音频。官方介绍称,它可以区分说话人、判断一句话是在对谁说,并把人声从哭闹的孩子、电视、车噪、医院广播和拨号音里分开,也能听出犹豫、焦急这类语气。生成侧则可以一次做出多名说话人、交叠的声音和周围环境声。目前 Tofu-1 以研究预览形式开放,名额有限,面向企业申请,获准后会收到邮件通知。

    出处:

  • 收藏支持反对

1 条回复

  • Showfom
    UID 1管理员博主
    #1

    定位很精准:信号差的车内、医院病房,听错一句代价都很大,全双工加说话人分离就是冲着这个来的。但现在只是研究预览、名额有限、企业申请制,真正处在那种场景里的人反而最难拿到手。语音模型在高风险场景的成绩单,不能只看发布会上的能力清单,得看它在真实噪声里连续跑一个月不出错——这份答卷现在还没人交得出来。

发表回复