मोर्स थ्रेड ने अपने ऑडियो समझने वाले बड़े मॉडल MooER को ओपन-सोर्स करने की घोषणा की, जो पूरी तरह से घरेलू GPU पर आधारित पहला बड़े पैमाने पर ओपन-सोर्स आवाज़ मॉडल है। MooER चीनी और अंग्रेजी दोनों भाषाओं की आवाज़ पहचान और अनुवाद का समर्थन करता है, तीन भागों के मॉडल संरचना को अपनाता है, जो शक्तिशाली बहुभाषी प्रसंस्करण क्षमताओं को प्रदर्शित करता है। इसने ओपन-सोर्स अनुमान कोड और 5000 घंटे के डेटा पर प्रशिक्षित मॉडल जारी किया है, और योजना है कि आगे ओपन-सोर्स प्रशिक्षण कोड और 80000 घंटे के डेटा पर प्रशिक्षित संवर्धित संस्करण जारी किया जाएगा। तुलना परीक्षणों में, MooER-5K ने उत्कृष्ट प्रदर्शन किया, चीनी CER 4.21% और अंग्रेजी WER 17.98% रहा।

मूर थ्रेड कंपनी ने अपने स्व-विकसित ऑडियो समझने वाले बड़े मॉडल MooER को ओपन-सोर्स करने की घोषणा की है, जो पूरी तरह से घरेलू GPU पर प्रशिक्षण और अनुमान लगाने वाला पहला बड़ा ओपन-सोर्स वॉयस मॉडल है। MooER ने मूर थ्रेड के क्वा ए गज़िओन प्लेटफ़ॉर्म पर केवल 38 घंटे में बड़े पैमाने पर ऑडियो डेटा का प्रशिक्षण पूरा किया, जो चीनी और अंग्रेजी आवाज पहचान और चीनी से अंग्रेजी आवाज अनुवाद में उत्कृष्ट प्रदर्शन प्रदर्शित करता है, विशेष रूप से Covost2 चीनी से अंग्रेजी परीक्षण सेट में उद्योग स्तर के 25.2 BLEU स्कोर के करीब का परिणाम प्राप्त किया है। मूर थ्रेड ने प्रशिक्षण कोड को आगे ओपन-सोर्स करने की योजना बनाई है।

GPT-4o, OpenAI का प्रमुख मॉडल, मई में रिलीज़ होने पर अपनी ऑडियो समझ क्षमता के लिए ध्यान खींचा, औसत 320 मिलीसेकंड की प्रतिक्रिया गति मानव संवाद गति के करीब है। यह मॉडल टेक्स्ट, विज़ुअल और ऑडियो जैसे तीन मोड को एंड-टू-एंड ट्रेनिंग के माध्यम से जोड़ता है, जो कई इनपुट और आउटपुट पर इसकी संभावनाओं को दर्शाता है। OpenAI ने जून में एंटरप्राइज वॉइस मोड फीचर को ChatGPT Plus के माध्यम से कुछ उपयोगकर्ताओं के लिए लॉन्च करने की योजना बनाई है, हालाँकि मॉडल की पहचान और मना करने की क्षमता में सुधार की आवश्यकता के कारण लॉन्च में एक महीने की देरी हुई। नई सुविधा Ch को सक्षम करेगी