Из первых десятков - DeepSpeech, Whisper (+.cpp), Kaldi, Flashlight ASR (formely wav2letter), PaddleSpeech (Formerly DeepSpeech2), OpenSeq2Seq, SpeechBrain, Vosk, Coqui, HTK, Julius, OpenVokaturi, Athena, ESPnet, Picovoice. Русского где-то нет, но прикручивается. Надеюсь вам сравнительный анализ не нужен?
Хорошо, согласен. С проприетарщиной от яндекса можно только скулить об этой проблеме, а с опенсорс решением, если будет критическая масса желающих или один но разраб, то запилят мобильное приложение-компаньон, которое подобного рода подтверждения сможет показывать текстом вместо (вместе) с озвучкой голосом. И если мы говорим про тру опенсорс колонку, как я ее вижу, то вы всегда сможете подключить к ней любой монитор - большой или маленький.
У вас дома телевизор есть? Вот вам экран, если надо. А домочадцы есть? Вас устраивает, что у вас с ними в общении только голосовой интерфейс? Я это к тому, что голосовой интерфейс недооценивают только потому, что его реализации пока так себе
В своей заметке рассуждал с точки зрения потребителя, поэтому и отношение такое :) по поводу поддержки продуктов я писал выше. Ее по сути нет и у коммерческих устройств, все на уровне - перезагрузите или привозите поменяем. Разбираться почему ваша Алиса не соединяется с вашим ЗигБи шлюзом никто за вас не будет. Продажа привазанных устройств изживет себя, когда позврослеет потребитель.
Неа. Все эти фичи без чатажпт можно реализовать. По поводу стт начните с виспера. Для английского языка он на уровне гугл, не то что яндекса. Для русского модели тоже есть, но пока кривоватые, видимо придётся свою тренировать по данным коммонвойса
А почему "не сравнивают"? Закон какой есть запрещающий? Бывают отличные продукты занедорого (редко). Бывает говно задорого (чаще). Разные ценовые категории еще не повод не сравнивать
Видимо качество яндекса не устроило, раз модели уровня "похуже" не интересуют? Всегда есть куда падать в хотелках, пока мы не упали до условного сфинкса?
Это очень интересная и свежая мысль. Я уверен, что можно. Вопрос какая из существующих моделей будет лучше работать на каждой конкретной железке. Наверное какое-нибудь сателлит приложение тут пригодилось бы, которое бы отбенчмаркала конкретный девайс и дальше само решило, как его использовать - тупо как доп микрофон или оффлоадить на него что-то
Приз за самый лучший вопрос уходит зрителю с ником @mm3 Я подробно расскажу о своем сетапе, когда увижу, что тут есть достаточное количество людей, которые этой темой интересуются. Забегая вперед - никаких чудес и откровений. Обычный мини-пц из относительно свежих мобильных интелов предпоследнего поколения (N5095) с 16 Гб ОЗУ. Сверху Линукс. С микрофоном пришлось повозиться методом проб и ошибок, как и с его бустом и фильтрацией шумов. Да и как с аудиостеком линукса - для меня до недавнего времени ALSA, Pulseaudio, Pipewire, Jack были тарабарщиной. Линукс то я худо бедно знал, но не десктопный.
Я говорил хоть слово про "сетку уровня ChatGPT"? А вот "хорошую распознавала голоса + что-то что будет понимать смысл сказанного и разумно отвечать и действовать?" это да, уже кручу. И для этого вам не нужны генеративные предтренированные трансормерные нейронки
"Мощностей и мозгов у них маловато чтобы распознавать, записывать, напоминать и тому подобное" это не так. Точнее не совсем так. Если мы говорим за совсем дешевые модели, типа 3-5 тр, то да, за эту сумму много вычислительных мощностей не положить. А если мы говорим за сумму от 10 тр, то это уже вполне intel N5095 mini pc
Для русского языка, я думаю прямо чтобы "не хуже яндекса" еще нет. У Яндекса очень сильная команда по этой части. Есть только "похуже яндекса" и "сильно похуже яндекса".
У виспера есть русский, но по тону ваших ответов я понял, что этот диалог в никуда.
Из первых десятков - DeepSpeech, Whisper (+.cpp), Kaldi, Flashlight ASR (formely wav2letter), PaddleSpeech (Formerly DeepSpeech2), OpenSeq2Seq, SpeechBrain, Vosk, Coqui, HTK, Julius, OpenVokaturi, Athena, ESPnet, Picovoice.
Русского где-то нет, но прикручивается. Надеюсь вам сравнительный анализ не нужен?
ответил ниже
Хорошо, согласен. С проприетарщиной от яндекса можно только скулить об этой проблеме, а с опенсорс решением, если будет критическая масса желающих или один но разраб, то запилят мобильное приложение-компаньон, которое подобного рода подтверждения сможет показывать текстом вместо (вместе) с озвучкой голосом.
И если мы говорим про тру опенсорс колонку, как я ее вижу, то вы всегда сможете подключить к ней любой монитор - большой или маленький.
У вас дома телевизор есть?
Вот вам экран, если надо.
А домочадцы есть? Вас устраивает, что у вас с ними в общении только голосовой интерфейс?
Я это к тому, что голосовой интерфейс недооценивают только потому, что его реализации пока так себе
В своей заметке рассуждал с точки зрения потребителя, поэтому и отношение такое :) по поводу поддержки продуктов я писал выше. Ее по сути нет и у коммерческих устройств, все на уровне - перезагрузите или привозите поменяем. Разбираться почему ваша Алиса не соединяется с вашим ЗигБи шлюзом никто за вас не будет.
Продажа привазанных устройств изживет себя, когда позврослеет потребитель.
Неа. Все эти фичи без чатажпт можно реализовать.
По поводу стт начните с виспера. Для английского языка он на уровне гугл, не то что яндекса. Для русского модели тоже есть, но пока кривоватые, видимо придётся свою тренировать по данным коммонвойса
Я думаю проблема действительно существует, но она не так широко распространена.
А почему "не сравнивают"? Закон какой есть запрещающий? Бывают отличные продукты занедорого (редко). Бывает говно задорого (чаще). Разные ценовые категории еще не повод не сравнивать
Видимо качество яндекса не устроило, раз модели уровня "похуже" не интересуют? Всегда есть куда падать в хотелках, пока мы не упали до условного сфинкса?
Это очень интересная и свежая мысль. Я уверен, что можно. Вопрос какая из существующих моделей будет лучше работать на каждой конкретной железке. Наверное какое-нибудь сателлит приложение тут пригодилось бы, которое бы отбенчмаркала конкретный девайс и дальше само решило, как его использовать - тупо как доп микрофон или оффлоадить на него что-то
О, круто. Спасибо что поделились. Сонофф мне всегда нравились вот этим своим визионерством. Первые ласточки стало быть полетели.
Приз за самый лучший вопрос уходит зрителю с ником @mm3
Я подробно расскажу о своем сетапе, когда увижу, что тут есть достаточное количество людей, которые этой темой интересуются.
Забегая вперед - никаких чудес и откровений. Обычный мини-пц из относительно свежих мобильных интелов предпоследнего поколения (N5095) с 16 Гб ОЗУ. Сверху Линукс. С микрофоном пришлось повозиться методом проб и ошибок, как и с его бустом и фильтрацией шумов. Да и как с аудиостеком линукса - для меня до недавнего времени ALSA, Pulseaudio, Pipewire, Jack были тарабарщиной. Линукс то я худо бедно знал, но не десктопный.
Я говорил хоть слово про "сетку уровня ChatGPT"?
А вот "хорошую распознавала голоса + что-то что будет понимать смысл сказанного и разумно отвечать и действовать?" это да, уже кручу. И для этого вам не нужны генеративные предтренированные трансормерные нейронки
Здравствуйте, коллега
"Мощностей и мозгов у них маловато чтобы распознавать, записывать, напоминать и тому подобное"
это не так. Точнее не совсем так. Если мы говорим за совсем дешевые модели, типа 3-5 тр, то да, за эту сумму много вычислительных мощностей не положить. А если мы говорим за сумму от 10 тр, то это уже вполне intel N5095 mini pc
Для русского языка, я думаю прямо чтобы "не хуже яндекса" еще нет. У Яндекса очень сильная команда по этой части. Есть только "похуже яндекса" и "сильно похуже яндекса".
А количество приложений под андроид не является этим самым "толком"?
Где вы прочитали "давайте сделаем свою колонку"?
как вопрос сформулировали, так и ответил :)