مدل تعاملی WITA-Omni معرفی شد؛ مکالمه بیدرنگ و طبیعی رباتهای انساننما
شرکت AGIBOT از مدل تعاملی تمامحالت WITA-Omni رونمایی کرد که امکان گفتگوی صوتی و بیدرنگ را برای رباتهای انساننما فراهم می‌سازد. این مدل با میانگین تأخیر ۶۰۰ میلیثانیه و پشتیبانی از بیش از ۱۰۰ زبان، بدون نیاز به کلمه فعالساز در محیطهای شلوغ پاسخگو خواهد بود.
در یک نگاه (نکات کلیدی خبر)
خلاصه مهم‌ترین نکات و تحولات این گزارش برای مطالعه سریع
- شرکت AGIBOT از مدل یکپارچه و تمامحالت WITA-Omni 1.0 رونمایی کرد تا رباتهای انساننما بتوانند همگام با درک داده‌های دیداری و شنیداری با انسان مکالمه صوتی طبیعی برقرار کنند
- این مدل با جایگزینی مراحل مجزای صوتی و زبانی با یک معماری سرتاسری به میانگین زمان تأخیر ۶۰۰ میلیثانیه و پشتیبانی از بیش از ۱۰۰ زبان دست یافته است
- فناوری WITA-Omni با عملکرد پایدار در محیطهای پر سر و صدا و عدم نیاز به کلمه فعالساز آماده بهکارگیری در بخش‌های فروشگاهی پذیرش و کارخانهها است
مقدمه
مدل WITA-Omni نخستین مدل تعاملی تمامحالت و سرتاسری شرکت AGIBOT برای رباتهای انساننما است که در جریان رویداد روز نوآوری این شرکت در تاریخ ۲۹ اکتبر ۲۰۲۶ در قالب نسخه WITA-Omni 1.0 معرفی شد. این مدل به ربات اجازه می‌دهد ضمن دریافت و درک هم‌زمان داده‌های دیداری و شنیداری، مکالمه‌ای صوتی، پیوسته و طبیعی با انسان برقرار کند.
توضیحات
نکات کلیدی
- یکپارچه و تمامحالت (End-to-End و Full-Modal): یک مدل واحد وظیفه شنیدن، درک و صحبت کردن (به‌همراه تحلیل بستر دیداری) را بر عهده دارد و جایگزین زنجیره‌ای از مراحل مجزای تشخیص گفتار، مدل زبانی بزرگ و تبدیل متن به گفتار شده است.
- پاسخ‌دهی فوق‌العاده سریع: زمان تأخیر پاسخ‌دهی به کمتر از ۴۰۰ میلیثانیه و به‌طور میانگین به حدود ۶۰۰ میلیثانیه می‌رسد که به‌سرعت واکنش و تعویض نوبت در گفتگوی طبیعی انسان بسیار نزدیک است.
- پشتیبانی گسترده از زبان‌ها: این سیستم از بیش از ۱۰۰ زبان و ۲۹ گویش گوناگون پشتیبانی می‌کند.
- پایداری بالا در دنیای واقعی: مدل در محیطهای پر سروصدا و بدون نیاز به واژه فعالساز (Wake Word) کار می‌کند؛ مزیتی کلیدی که کارایی آن را در خطوط کارخانهها، مراکز خرید و میزهای پذیرش تضمین می‌کند.
- بخشی از اکوسیستم بزرگ‌تر: شرکت AGIBOT این فناوری را به‌عنوان مدل پایه تعامل انسان و ربات در کنار GO-3 Preview (مدل پایه تجسم‌یافته) و Link-U OS (سیستمعامل اختصاصی ربات) تعریف کرده است.
کاربردها
حوزه‌های بهکارگیری
- رباتهای انساننما در بخش پذیرش و فروشگاه‌ها: خوش‌آمدگویی، راهنمایی مراجعان و پاسخ به پرسش‌ها به زبان‌های مختلف.
- رباتهای کارخانه‌ای و انباری: دریافت و اجرای دستورهای صوتی با دقت بالا در میان سروصدای مداوم محیط کار.
- توسعه‌دهندگان سخت‌افزار AGIBOT: پیاده‌سازی مکالمات صوتی طبیعی بدون نیاز به ساخت خط پردازش گفتار اختصاصی از ابتدا.
گام‌های بعدی
کانال‌های رسمی شرکت AGIBOT را برای آگاهی از زمان عرضه کیت توسعه نرم‌افزار (SDK) یا رابط‌های برنامه‌نویسی (API) و همچنین اعلام مدلهای رباتی که مجهز به WITA-Omni 1.0 روانه بازار خواهند شد، دنبال کنید.
برچسب های مرتبط
مطالب مرتبط و پیشنهادی
مدل تبدیل گفتار به متن Parakeet v3 انویدیا بدون نیاز به پایتون و کارت گرافیک اجرا می‌شود
تیم توسعهدهنده handy-computer نسخه کم‌حجم و بهینه‌سازی‌شده GGUF را برای مدل تبدیل گفتار به متن Parakeet v3 انویدیا منتشر کرد. این نسخه امکان اجرای روان و محلی مدل را بدون وابستگی به پایتون یا کارت‌های گرافیک مجزا روی پردازنده‌های معمولی فراهم می‌کند.
رونمایی از مدل Mistral Large 4؛ ایجنت کدنویسی ۱ تریلیون پارامتری با دسترسی آزاد
شرکت Mistral وزن‌های عمومی مدل جدید Mistral Large 4 را با ۱ تریلیون پارامتر و تمرکز ویژه بر ایجنت‌های کدنویسی و امنیت سایبری منتشر کرد. این مدل بر پایه معماری ترکیبی از متخصصان توسعه یافته است و با مصرف بهینه توکن، گزینه‌ای قدرتمند برای استقرار روی زیرساخت‌های خصوصی به شمار می‌رود.
مدل جدید Qwen3.5-4B-3D-Coder متن را به صحنههای سهبعدی تعاملی در مرورگر تبدیل می‌کند
یک توسعهدهنده مستقل نسخهای اختصاصی از مدل Qwen با نام Qwen3.5-4B-3D-Coder را معرفی کرده است که توصیفات متنی را به صحنههای سهبعدی تعاملی در کتابخانه Three.js تبدیل می‌کند. این مدل سبک با ۴ میلیارد پارامتر، تمام کدهای جاوااسکریپت و صحنه گرافیکی را در قالب یک فایل تکی HTML به کاربر تحویل می‌دهد و روی سیستمعامل محلی نیز قابل اجرا است.
دیدگاه ها و گفتگوی تخصصی
نظرات خود را با جامعه مخاطبان وایر ای آی در میان بگذارید
هنوز دیدگاهی برای این مطلب ثبت نشده است
اولین نفری باشید که دیدگاه، تحلیل یا دیدگاه خود را درباره این موضوع با دیگران به اشتراک می گذارد.