Facebook“开山鼻祖”已掉队？Meta、智谱、阿里谁能真正实现纯语音交互？

文章预览

🫱点这里加入16个细分方向交流群（🔥推荐）🫲 随着GPT-4o的发布，全网又掀起了一波语音大模型（Large Speech Model）的热潮，本文旨在梳理自GPT-4o发布半年以来各种可以实现全双工语音通话的技术方案，以供各位读者参考。 ©️【深蓝AI】编译 笔者认为，全双工语音通话，其实主要围绕着语音和通话这两个核心点来展开。 现有的研究工作也基本从这两个核心点入手。 有的工作认为语音通话和文本对话是不一样的，因此以端到端speech2speech的方式来建模语音通话。 更多的工作则是 希望能够将文本LLM上的经验迁移到speech language model上来，把speech 模态的信息和原有文本模态的信息进行对齐 ，后文将详细介绍这些不同路线的细节。 ■ Generative Spoken Dialogue Language Modeling 这篇可以说是Speech Language Model的开山鼻祖了，由Facebook Research团队的研究人员提出。由 ………………………………