AI-mallit ja alustat
Modulate esittelee Ensemble-kuuntelumallit, jotka määrittelevät uudelleen, miten tekoäly ymmärtää ihmisääntä

Keskeiset kohdatModulaten Ensemble Listening Model hyödyntää yli 100 erikoistunutta mallia äänen…
Näytä lisää
- Modulaten Ensemble Listening Model hyödyntää yli 100 erikoistunutta mallia äänen tunteiden ja tekstin ulkopuolisen intention tulkitsemiseen.
- Uusi arkkitehtuuri saavuttaa 30 % korkeamman keskustelutarkkuuden kuin johtavat LLM:t murto-osalla kustannuksista.
- Se havaitsee synteettiset äänet ja käyttäytymisviitteet, kuten turhautumisen, petosten torjuntaa ja asiakastukea varten.
Tekoäly on edennyt nopeasti, mutta yksi alue on ollut jatkuvasti haasteellinen: todella ymmärtää ihmisen ääni. Ei vain sanat, jotka puhutaan, vaan sanojen taustalla olevat tunteet, sävyn ja ajoituksen muovaama tarkoitus, ja hienot signaalit, jotka erottavat ystävällisen sanailun turhautumisesta, petoksesta tai vahingosta. Tänään Modulate ilmoitti merkittävän läpimurron esittelemällä Ensemble-kuuntelumallin (ELM), uuden tekoälyarkkitehtuurin, joka on suunniteltu erityisesti todellisen maailman äänen ymmärtämiseen.
Tutkimuksen julkistamisen yhteydessä Modulate esitteli Velma 2.0:n, ensimmäisen tuotantoon otetun Ensemble-kuuntelumallin. Yritys raportoi, että Velma 2.0 ylittää johtavat perusmallit keskustelun tarkkuudessa ja toimii murto-osalla kustannuksista, merkittävä väite aikana, jolloin yritykset arvioivat uudelleen suurten tekoälyjärjestelmien kestävyyttä.
Miksi Ääni on Ollut Haasteellinen AI:lle
Useimmat ääntä analysoivat tekoälyjärjestelmät seuraavat tuttua lähestymistapaa. Ääni muunnetaan tekstiksi, ja litteraatti käsitellään suurella kielimallilla. Vaikka tämä toimii hyvin litteroinnissa ja yhteenvetojen laatimisessa, tämä prosessi poistaa paljon siitä, mikä tekee äänen merkitykselliseksi.
Sävy, tunteen sävy, epäröinti, sarkasmi, päällekkäinen puhuminen ja taustamelu kantavat tärkeitä asiayhteyksiä. Kun puhuminen tasataan tekstiksi, nämä ulottuvuudet menetetään usein, mikä johtaa tarkoituksen tai mielipiteen väärään tulkintaan. Tämä muodostuu erityisen ongelmalliseksi ympäristöissä, kuten asiakastuessa, petostentorjunnassa, verkkopeleissä ja tekoälyohjatussa viestinnässä, joissa vivahteet vaikuttaa suoraan lopputuloksiin.
Modulaten mukaan tämä rajoitus on arkkitehtuuriin liittyvä, ei dataohjautuva. Suuret kielimallit on optimoitu tekstin ennustamiseen, ei useiden akustisten ja käyttäytymiseen liittyvien signaaleiden yhdistämiseen reaaliajassa. Ensemble-kuuntelumallit luotiin tämän aukon paikkaamiseksi.
Mitä on Ensemble-kuuntelumalli?
Ensemble-kuuntelumalli ei ole yksittäinen neuroverkko, joka on koulutettu tekemään kaiken kerralla. Sen sijaan se on koordinoitu järjestelmä, joka koostuu monista erikoistuneista malleista, joista jokainen on vastuussa äänivuorovaikutuksen eri ulottuvuuden analysoinnista.
ELM:ssä erilliset mallit tutkivat tunteita, stressiä, harhauttamiseen viittaavia merkkejä, puhujan identiteettiä, ajoitusta, prosodiaa, taustamelua ja mahdollisia synteettisiä tai matkittuja ääniä. Nämä signaalit synkronoidaan ajallisesti kohdistetussa orkestrointikerroksessa, joka tuottaa yhdenmukaisen ja selitettävissä olevan tulkinnan siitä, mitä tapahtuu keskustelussa.
Tämä eksplisiittinen työnjako on keskeinen ELM-lähestymistapa. Sen sijaan, että riippuisi yhdestä massiivisesta mallista, joka arvioi merkitystä implisiittisesti, Ensemble-kuuntelumallit yhdistävät useita kohdennettuja näkemyksiä, parantaen sekä tarkkuutta että läpinäkyvyyttä.
Velma 2.0:n Sisällä
Velma 2.0 on merkittävä kehitysaskel Modulaten aikaisempiin ensemble-pohjaisiin järjestelmiin. Se käyttää yli 100 komponenttimallia, jotka toimivat yhdessä reaaliajassa, jaoteltuna viiteen analyysikerrokseen.
Ensimmäinen kerros keskittyy perusäänenkäsittelyyn, määrittäen puhujien määrän, puhumisen ajoituksen ja tauot. Seuraavaksi tulee akustisen signaalin erottelu, joka tunnistaa emotionaaliset tilat, stressitasot, petosmerkit, synteettiset äänet ja ympäristömelun.
Kolmas kerros arvioi havaittua aikomusta, erottaa vilpittömän ylistyksen ja sarkastisen tai vihamielisen kommentin. Käyttäytymismallinnus seuraa keskusteludynamiikkaa ajan myötä, tunnistaen turhautumista, hämmennystä, käsikirjoitettua puhetta tai sosiaalisen manipuloinnin yrityksiä. Viimeinen kerros, keskusteluanalyysi, kääntää nämä oivallukset yritysten kannalta merkityksellisiksi tapahtumiksi, kuten asiakkaiden tyytymättömyydeksi, käytäntörikkomuksiksi, mahdolliseksi petokseksi tai tekoälyagenttien toimintahäiriöiksi.
Modulate raportoi, että Velma 2.0 ymmärtää keskustelun merkityksen ja aikomuksen noin 30 prosenttia tarkemmin kuin johtavat LLM-pohjaiset lähestymistavat, ollessaan samalla 10-100 kertaa kustannustehokkaampi suurella mittakaavalla.
Pelaamisen Moderoinnista Yritysälyyn
Ensemble-kuuntelumallien juuret ovat Modulaten varhaisessa työssä verkkopeleissä. Suositut nimet, kuten Call of Duty ja Grand Theft Auto Online, tuottavat joitain haasteellisimmista ääniympäristöistä kuviteltavissa. Keskustelut ovat nopeita, meluisia, emotionaalisia ja täynnä slangiä ja asiayhteyksiä.
Leikkimielisen piikittelyn erottaminen aidosta häirinnästä reaaliajassa vaatii paljon muutakin kuin litterointia. Käyttäessään äänimoderointijärjestelmäänsä ToxMod, Modulate kokosi vähitellen yhä monimutkaisempia mallikokonaisuuksia näiden vivahteiden tunnistamiseksi. Kymmenien erikoistuneiden mallien koordinointi osoittautui välttämättömäksi vaaditun tarkkuuden saavuttamiseksi, ja lopulta tiimi muodosti lähestymistavasta uuden arkkitehtuurikehyksen.
Velma 2.0 yleistää tämän arkkitehtuurin pelaamisen ulkopuolelle. Nykyään se ohjaa Modulaten yritysalustaa, analysoi satoja miljoonia keskusteluita eri aloilla, tunnistaa petosta, ahdistelua, asiakastyytymättömyyttä ja epätyypillistä tekoälytoimintaa.
Haaste Perusmalleille
Ilmoitus tulee hetkellä, jolloin yritykset arvioivat uudelleen tekoälystrategiaansa. Huolimatta massiivisesta investoinnista, suuri osa tekoälyhankkeista ei pääse tuotantoon tai tuota kestävää arvoa. Yleisiä esteitä ovat hallusinaatiot, kasvavat päättelykustannukset, epäselvät päätöksentekoprosessit ja vaikeus integroida tekoälyoivalluksia operatiivisiin työnkulkuihin.
Ensemble-kuuntelumallit vastaavat näihin ongelmiin suoraan. Luottamalla useisiin pienempiin, tarkoitukseen suunniteltuihin malleihin yhden massiivisen järjestelmän sijaan, ELM:t ovat vähemmän kalliita käyttää, helpommin tarkastettavissa ja selitettävissä. Jokainen tuloste voidaan jäljittää takaisin tiettyihin signaaleihin, mikä mahdollistaa organisaatioille ymmärtää, miksi johtopäätös tehtiin.
Tämä läpinäkyvyyden taso on erityisen tärkeää säänneltyissä tai korkean riskin ympäristöissä, joissa mustan laatikon päätökset eivät ole hyväksyttäviä. Modulate ei asemoi ELM-malleja suurten kielimallien korvaajiksi, vaan yritystason ääniälyyn paremmin soveltuvaksi arkkitehtuuriksi.
Puheen tekstiksi muuntamista pidemmälle
Yksi Velma 2.0:n tulevaisuuteen suuntautuvista ominaisuuksista on sen kyky analysoida sitä, miten asia on sanottu, ei vain mitä on sanottu. Tämä sisältää synteettisten tai matkittujen äänien havaitsemisen, kasvavan huolen aiheen, kun äänen generointiteknologia tulee helpommin saataville.
Kun äänen kloonaus paranee, yritykset kohtaavat kasvavia riskejä, jotka liittyvät petokseen, identiteetin väärentämiseen ja sosiaaliseen manipulointiin. Sisällyttämällä synteettisen äänen havaitsemisen suoraan ensembleen, Velma 2.0 käsittelee aitoutta keskeisenä signaalina eikä valinnaisena lisäominaisuutena.
Järjestelmän käyttäytymismallinnus mahdollistaa myös proaktiiviset oivallukset. Se voi tunnistaa, kun puhuja lukee käsikirjoitusta, kun turhautuminen kasvaa tai kun vuorovaikutus on suuntautumassa konfliktiin. Nämä kyvyt sallivat organisaatioille puuttua asioiden kulkuun aikaisemmin ja tehokkaammin.
Uusi Suunta Yritysten Tekoälylle
Modulate kuvailee Ensemble-kuuntelumallia uutena tekoälyarkkitehtuurin luokkana, joka on erillinen sekä perinteisistä signaalinkäsittelyputkistoista että suurista perusmalleista. Taustalla oleva oivallus on, että monimutkaiset ihmisten vuorovaikutukset ymmärretään paremmin koordinoidun erikoistumisen kuin pelkän mittakaavan kasvattamisen avulla.
Kun yritykset vaativat tekoälyjärjestelmiä, jotka ovat vastuullisia, tehokkaita ja soveltuvia todellisiin operatiivisiin tarpeisiin, Ensemble-kuuntelumallit osoittavat tulevaisuuteen, jossa älykkyys koostuu monista kohdennetuista komponenteista. Velma 2.0:n ollessa jo tuotannossa Modulate uskoo tämän arkkitehtuurimuutoksen puhuttelevan myös paljon äänen moderointia ja asiakastukea laajempia käyttökohteita.
Alalla, joka etsii vaihtoehtoja yhä suuremmille mustille laatikoille, Ensemble-kuuntelumallit viittaavat siihen, että seuraava merkittävä edistysaskel tekoälyssä voi tulla kuuntelemalla tarkemmin, ei yksinkertaisesti laskemalla aggressiivisemmin.












