es.wedoany.com Noticia: La empresa estadounidense de inteligencia artificial de voz, Rime, está expandiendo su sistema de recopilación de datos de voz, desarrollo de modelos e implementación en la industria, centrándose en el desarrollo de modelos de voz a voz con baja latencia. La empresa ha construido su propio estudio de grabación en San Francisco, EE. UU., para grabar datos de entrenamiento mediante conversaciones reales entre personas, reduciendo la dependencia del audio público en línea, y optimizando las capacidades de interacción de voz para escenarios como atención al cliente empresarial, servicios médicos, operaciones aéreas y tecnología financiera.
Rime de EE. UU. fue fundada en 2022, y los miembros del equipo fundador tienen experiencia en investigación en la Universidad de Stanford, desarrollo del sistema de voz Alexa de Amazon y experiencia en ingeniería. A diferencia de los métodos que extraen directamente audio de Internet para entrenar modelos, la empresa recopila datos de conversaciones en el estudio con información clara sobre el hablante, el contexto y la pronunciación, y luego utiliza estos datos para el entrenamiento de modelos de síntesis de voz, control de pronunciación e interacción.
El sistema de grabación propio permite que el entrenamiento del modelo sea más específico. Los sistemas de voz empresariales a menudo necesitan manejar nombres de marcas, modelos de productos, nombres de medicamentos y terminología especializada de la industria en uso real, y los modelos de voz genéricos son propensos a errores de acentuación, omisión de sílabas o pronunciación inconsistente. Rime de EE. UU. adopta una arquitectura de modelo basada en fonemas, descomponiendo las palabras en unidades de pronunciación más básicas y luego ajustando la pronunciación según el entorno de uso de diferentes empresas e industrias.
Esta ruta técnica no requiere que los clientes vuelvan a entrenar el modelo completo. Las empresas pueden agregar vocabulario de marca, términos técnicos y pronunciaciones específicas a los sistemas de voz existentes, lo que permite que la voz de IA mantenga una alta precisión al enfrentar contenido profesional en áreas como medicina, aviación y finanzas. Su enfoque de investigación y desarrollo ha pasado de simplemente generar sonidos naturales a resolver la consistencia de pronunciación y la estabilidad de interacción de voz en operaciones reales.
Anteriormente, Rime de EE. UU. utilizaba un pipeline de múltiples modelos compuesto por conversión de voz a texto, procesamiento de texto, modelo de lenguaje grande y conversión de texto a voz. Cuando el usuario habla, el sistema primero debe reconocer el texto, luego el modelo de lenguaje grande genera una respuesta y finalmente convierte el texto en voz. La ejecución secuencial de múltiples modelos puede aumentar el tiempo de espera y también puede provocar que el tono, las pausas y la transición de turnos no sean naturales.
Actualmente, la empresa está pasando al desarrollo de modelos de voz a voz, permitiendo que el sistema comprenda directamente la entrada de voz y genere salida de voz, reduciendo los pasos de orquestación entre múltiples modelos. La nueva dirección de investigación y desarrollo se centra en resolver problemas como la latencia de respuesta, el cambio de turnos en conversaciones multipersona, la interferencia del ruido de fondo y las interrupciones del usuario, para que los agentes de voz de IA puedan acercarse más al ritmo de comunicación de los agentes de atención al cliente humanos.
Los modelos de voz a voz también necesitan integrar la comprensión semántica, la generación de voz y la interacción en tiempo real en un sistema unificado. El modelo no solo debe determinar lo que dijo el usuario, sino también identificar la velocidad del habla, la posición de las pausas y si la conversación ha terminado, para luego decidir cuándo responder. Al reducir la cantidad de modelos intermedios, la ruta de ejecución del sistema es más corta, lo que también facilita el control unificado del estilo de voz, la emoción y la pronunciación.
Los modelos de voz de Rime de EE. UU. ya se han aplicado en los campos de servicios de alimentos, atención médica, aviación y tecnología financiera, con clientes que incluyen la Clínica Mayo de EE. UU., Dialpad de EE. UU., Upstart de EE. UU. y Asurion de EE. UU. Diferentes aplicaciones tienen diferentes requisitos para los sistemas de voz: los escenarios médicos necesitan manejar con precisión los nombres de enfermedades y medicamentos, los escenarios de aviación necesitan identificar información de vuelos y aeropuertos, y los sistemas de atención al cliente se centran más en la velocidad de respuesta y la estabilidad durante llamadas largas.
La empresa también planea expandir los equipos de desarrollo de modelos, implementación de ingeniería y entrega de colaboración, fortaleciendo la capacidad de los modelos de voz para pasar del entorno de investigación y desarrollo a los sistemas empresariales. Rime de EE. UU. ha incorporado recientemente a un científico jefe con experiencia en comprensión de audio e investigación y desarrollo de aprendizaje profundo, y continuará mejorando los procesos de recopilación de datos, entrenamiento de modelos, implementación de sistemas y adaptación de clientes.
El núcleo de este ajuste comercial no es simplemente aumentar la cantidad de modelos de voz, sino construir un sistema completo que abarque desde la recopilación de voz humana, el procesamiento de datos fonéticos, el desarrollo de modelos hasta la entrega empresarial. El progreso posterior se reflejará principalmente en la puesta en marcha de modelos de voz a voz, la reducción de la latencia de interacción, la capacidad de reconocimiento en entornos ruidosos y la integración de más sistemas industriales.
