Sa mga kumplikadong kapaligiran, mas mauunawaan ng mga tao ang kahulugan ng pananalita kaysa sa AI, dahil ginagamit natin hindi lamang ang ating mga tainga kundi pati na rin ang ating mga mata.
Halimbawa, nakikita natin ang bibig ng isang tao na gumagalaw at maaaring intuitive na malaman na ang tunog na naririnig natin ay dapat na nagmumula sa taong iyon.
Gumagawa ang Meta AI ng bagong AI dialogue system, na turuan ang AI na matuto ring kilalanin ang mga banayad na ugnayan sa pagitan ng nakikita at naririnig nito sa isang pag-uusap.
Natututo ang VisualVoice sa katulad na paraan kung paano natututo ang mga tao na makabisado ang mga bagong kasanayan, na pinapagana ang paghihiwalay ng audio-visual na pagsasalita sa pamamagitan ng pag-aaral ng mga visual at auditory cue mula sa mga video na walang label.
Para sa mga makina, lumilikha ito ng mas mahusay na pang-unawa, habang ang pang-unawa ng tao ay nagpapabuti.
Isipin ang kakayahang lumahok sa mga pulong ng grupo sa metaverse kasama ang mga kasamahan mula sa buong mundo, sumasali sa mas maliliit na pulong ng grupo habang lumilipat sila sa virtual na espasyo, kung saan ang mga sound reverb at timbre sa eksena ay naaayon sa kapaligiran.
Iyon ay, maaari itong makakuha ng audio, video at impormasyon ng teksto nang sabay-sabay, at may mas mayamang modelo ng pag-unawa sa kapaligiran, na nagpapahintulot sa mga user na magkaroon ng "napaka-wow" na karanasan sa tunog.
Oras ng post: Hul-20-2022
