हाल के वर्षों में, कृत्रिम बुद्धिमत्ता तकनीक में उल्लेखनीय प्रगति हुई है, लेकिन कंप्यूटेशनल दक्षता और बहुआयामीता के बीच समसामयिक चुनौतियाँ अभी भी मौजूद हैं। कई उन्नत मल्टी-मोडल मॉडल, जैसे GPT-4, आमतौर पर बड़े पैमाने पर कंप्यूटेशनल संसाधनों की आवश्यकता होती है, जिससे उनका उच्च अंत सर्वरों पर उपयोग सीमित हो जाता है, और स्मार्ट तकनीकों को स्मार्टफोन और टैबलेट जैसे किनारे के उपकरणों पर प्रभावी ढंग से उपयोग में लाने में कठिनाइयाँ उत्पन्न होती हैं। इसके अलावा, रीयल-टाइम वीडियो विश्लेषण या वॉयस-टू-टेक्स्ट जैसे कार्यों को संसाधित करना तकनीकी बाधाओं का सामना कर रहा है, जिससे सीमित हार्डवेयर परिस्थितियों में निर्बाध रूप से काम करने के लिए प्रभावी और लचीले एआई मॉडल की आवश्यकता को रेखांकित किया गया है।

अलीबाबा के दमो विश्वविद्यालय की टोंगय प्रयोगशाला ने हाल ही में ClearerVoice-Studio नामक एक वॉयस प्रोसेसिंग तकनीक को ओपन-सोर्स करने की घोषणा की है, जिसका उद्देश्य वॉयस गुणवत्ता और समझ में सुधार करना है। वॉयस तकनीक के व्यापक उपयोग के साथ, वॉयस गुणवत्ता की चिंता बढ़ती जा रही है, खासकर पर्यावरणीय शोर, गूंज और उपकरणों के माइक्रोफोन जैसी स्थितियों में, वॉयस प्रोसेसिंग तकनीक की मांग तेजी से बढ़ रही है।

हाल ही में वेस्ट लेक सिनचेन टेक्नोलॉजी कं., लिमिटेड ने बाहरी तट सम्मेलन में देश का पहला एंड-टू-एंड यूनिवर्सल वॉयस बड़ा मॉडल - सिनचेन लिंगो आधिकारिक रूप से जारी किया। इस मॉडल ने 1 अगस्त को लांच के बाद, आंतरिक परीक्षण आरक्षण द्वारा 5 सितंबर को जनता के सामने अपनी उन्नत वॉयस प्रोसेसिंग क्षमताओं का प्रदर्शन किया। सिनचेन लिंगो सीधे वॉयस को समझने, लहजे, रिदम और भावनाओं को पकड़ने और वॉयस जवाब देने में सक्षम है।