KAIST dodaq hərəkətlərini mətnə çevirir

Ayaz Məmmədli 19.11.2026 2 dəqiqə 115
KAIST dodaq hərəkətlərini mətnə çevirir

Yeni süni intellekt ağız hərəkətlərini təhlil edərək səssiz videolardakı danışığı mətnə çevirir.

Koreya Qabaqcıl Elm və Texnologiya İnstitutunun (KAIST) alimləri səssiz videolardakı danışığı mətnə çevirən “DLLM-VSR” adlı süni intellekt modeli hazırlayıblar. “DLLM-VSR” isə diffuziya prinsipi ilə işləyən böyük dil modelindən istifadə edir. Əvvəlcə daha aydın görünən sözləri müəyyənləşdirir, sonra cümlənin digər hissələrini kontekstə əsasən tamamlayır. Model müxtəlif mətn variantlarını müqayisə edərək ən uyğun nəticəni seçir. Sistem 433 saatlıq işarələnmiş video materialı ilə öyrədilib. Qeyd edək ki, 19,4 faiz göstəricisi səhv tanınan, buraxılan və artıq əlavə edilən sözlərin ümumi payını ifadə edir. Texnologiya səs-küylü müəssisələrdə danışığın anlaşılması və eşitmə qabiliyyəti zəif insanlar üçün köməkçi cihazların hazırlanmasında istifadə oluna bilər. Bununla belə, yüksək hesablama gücü tələb etməsi və səssiz videolardan danışığın müəyyənləşdirilməsinin məxfilik riskləri yaratması əsas məhdudiyyətlərdəndir. Tədqiqatçılar gələcəkdə sistemin geyilə bilən cihazlarda və robotlarda real vaxt rejimində işləməsini hədəfləyirlər.

Şərhlər

Şərh yaz