🎤 معماری ساده اما قدرتمند مدل‌های صوتی مبتنی بر LLMمدل‌های جدید تبدیل متن به گفتار (TTS) مانند Orph…

👂 معرفی AgenticASR: تشخیص گفتار با قابلیت اصلاح تعاملی و سنجش معناییتشخیص گفتار معمولاً یک فرایند یک‌باره است، اما در دنیای واقعی انسان‌ها با پرسش و اصلاح، خطاها را برطرف می‌کنند. مقاله‌ی جدید AgenticASR این روش را به تشخیص گفتار آورده و آن را به یک فرایند چندمرحله‌ای و تعاملی تبدیل کرده است.---🎯 مشکل کجاست؟🔹 معیار اشتباه: نرخ خطای کلمه (WER) همه کلمات را یکسان می‌بیند، در حالی که یک اشتباه در اسم یا عدد، بسیار مهم‌تر از یک حرف بی‌ربط است.🔹 عدم تعامل: سیستم‌های فعلی اجازه‌ی اصلاح خطا را در حین کار نمی‌دهند.---🔄 راه‌حل AgenticASRتشخیص گفتار به‌عنوان یک چرخه‌ی تعاملی طراحی شده:🔹 مرحله‌ی اول: مدل ASR متن اولیه را تولید می‌کند.🔹 مرحله‌ی اصلاح: یک عامل نقش کاربر را بازی کرده و بازخورد انسانی (مثلاً «نه، اسم Megan است») را شبیه‌سازی می‌کند.🔹 مرحله‌ی بازنویسی: عامل دیگر، متن تشخیص‌داده‌شده را بر اساس بازخورد ویرایش می‌کند.🔹 تکرار: این چرخه تا رسیدن به دقت مطلوب ادامه می‌یابد.---📊 معیار جدید S²ER به‌جای WERاین معیار با استفاده از LLM-as-a-Judge، خطاها را بر اساس تأثیر بر معنی جمله می‌سنجد. نتایج نشان می‌دهد با هر دور اصلاح، خطاهای معنایی به‌شدت کاهش می‌یابند.دستاوردهای عددی در بنچمارک‌های مختلف:پس از ۱۰ دور اصلاح، نرخ خطای معنایی در بنچمارک GigaSpeech (انگلیسی) از حدود ۲۱.۵ درصد به کمتر از ۳.۵ درصد کاهش یافته است. در بنچمارک WenetSpeech (چینی) این مقدار از حدود ۱۹.۵ درصد به ۱.۸ درصد رسیده است. برای داده‌های اسم‌خاص، خطا از ۱۷ تا ۲۰ درصد به حدود ۲ درصد کاهش پیدا کرده و در سناریوی کد-سوییچینگ (ترکیب زبان‌ها)، خطا از ۲۸.۶ درصد به ۱.۴ درصد رسیده است. به‌طور میانگین، هر دور اصلاح، خطاهای معنایی را بیش از ۵۰ درصد کاهش می‌دهد.---💡 اهمیت موضوع- این روش، تشخیص گفتار را به یک گفتگوی تعاملی تبدیل می‌کند.- خطاهای معنایی را که در WER سنتی پنهان می‌مانند، شناسایی و اصلاح می‌کند.- زمینه‌ساز نسل جدیدی از دستیارهای صوتی هوشمند و قابل‌اعتماد است.---🔗 لینک‌های مفید📄 مقاله:arxiv.org/abs/2604.09121%F0%9F%92%BB کد منبع:github.com/InteractiveASR/AgenticASR--- #پردازش_گفتار #بازشناسی_گفتار #عامل_هوشمند #پژوهش_هوش_مصنوعی🆔 @asrgooyeshpardaz

🐋 مدل DeepSeek V4-Pro؛ نتایج نزدیک به غول‌های جهان!مدل DeepSeek نسخه نهایی مدل پرچم‌دارش را منتشر کرده. این مدل حالا به مدل‌های بزرگی مثل GPT-5.6 Sol و Fable 5 نزدیک شده. 😳---🚀 پیشرفت باورنکردنی در کدنویسی:- بنچمارک DeepSWE: از ۱۲.۸٪ به ۶۲.۷٪ (حدود ۵ برابر بهتر!)- بنچمارک Terminal Bench: از ۷۲.۱٪ به ۸۷.۹٪---🧠 قابلیت جدید: تنظیم عمق استدلالمی‌توانید میزان فکر کردن مدل را در سه سطح کم، زیاد و حداکثر تنظیم کنید.---📊 در برخی تست‌ها از Claude Opus 4.8، Kimi K3 و GLM-5.2 جلو زده.---🔌 پشتیبانی از API مخصوص OpenAI برای راحتی توسعه‌دهندگان---📱 هم‌اکنون در اپ، وب‌سایت و API در دسترس است.چینی‌ها باز هم غافلگیر کردند! 👍--- #DeepSeek #V4Pro #هوش_مصنوعی🆔 @asrgooyeshpardaz

📚 دوره‌ای عالی برای مدیریت حرفه‌ای عامل‌های هوش مصنوعیاگر می‌خواهید از عامل‌های کدنویسی مثل Codex و Claude Code بیشترین بهره را ببرید، این دوره دقیقاً برای شماست! 🎯---👾 در این دوره چه چیزهایی یاد می‌گیرید؟🔹 ساخت هارنس (Harness) حرفه‌ای دور عامل‌ها 🔹 ذخیره‌سازی وضعیت بین جلسات مختلف 🔹 تعیین محدودیت‌ها و مرزهای کاری برای عامل 🔹 جلوگیری از پایان‌دادن زودهنگام به وظایف 🔹 بررسی و تأیید خروجی‌های نهایی ---📚 محتوای دوره:✅ ۱۳ جلسه با تمرینات عملی ✅ چندین پروژه‌ی کاربردی ✅ قالب‌های آماده برای استفاده در پروژه‌های خودتان ---با این دوره، کنترل کامل روی عامل‌های خود خواهید داشت و مانند یک حرفه‌ای آنها را مدیریت می‌کنید. 😎🧑‍🏫walkinglabs.github.io/learn-harness-engin… #آموزش_هوش_مصنوعی #عامل_هوشمند #مهندسی_هارنس🆔 @asrgooyeshpardaz

⚡️ مدل Gemini 3.7 Flash رسید. با قیمت نصف و عملکرد بهترگوگل فقط سه هفته بعد از نسخه قبلی، مدل جدید Gemini 3.7 Flash را منتشر کرده. قیمت فعلی این مدل نصف نسخه قبلی است: ورودی ۰.۷۵ دلار و خروجی ۳.۷۵ دلار به ازای هر میلیون توکن. این قیمت تا پایان سال میلادی معتبر است.---💻 بهبودهای اصلی:- کدنویسی و اشکال‌زدایی: عملکرد به‌طور چشمگیری بهتر شده- ساخت اپ و طراحی: با پرامپت‌های کمتر، خروجی دقیق‌تر و باکیفیت‌تر- درک اسناد پیچیده: در حوزه مالی، حقوقی و پزشکی پیشرفت قابل‌توجهی داشته---🤖 در کارهای خودکار و عاملی نیز بهتر شده و نیاز به مداخله دستی را کاهش داده.---✅ دسترسی: از طریق Google AI Studio، Android Studio و Gemini Enterprise در دسترس است.--- #Gemini #Google #هوش_مصنوعی🆔 @asrgooyeshpardaz

🌐اخبار هوش مصنوعی🐧 اپلیکیشن ChatGPT به لینوکس آمد!شرکت OpenAI نسخه‌ی پیش‌نمایش اپلیکیشن دسکتاپ ChatGPT را برای لینوکس منتشر کرده است. این کلاینت، چت معمولی، Work و Codex را در یک پنجره جمع می‌کند.فایل‌های نصبی به فرمت‌های .deb و .rpm برای معماری‌های x64 و ARM64 در دسترس است. توزیع‌های پشتیبانی‌شده عبارتند از:- اوبونتو ۲۴.۰۴ و ۲۶.۰۴ LTS- دبیان ۱۳- فدورا ۴۳ و ۴۴کاربران سایر توزیع‌ها تا پایان مرحله‌ی پیش‌نمایش باید از مرورگر یا نسخه‌های غیررسمی استفاده کنند.🔗 OpenAI در X---📱 جمینی به یک میلیارد کاربر ماهانه رسیدسوندار پیچای، مدیرعامل گوگل، جمینی را سریع‌ترین محصول در حال رشد تاریخ گوگل و چهاردهمین سرویس این شرکت نامید که از مرز یک میلیارد کاربر ماهانه عبور کرده است.رشد کاربران:- فوریه: ۷۵۰ میلیون- می: ۹۰۰ میلیون- جولای: ۹۵۰ میلیون- آخرین ۵۰ میلیون در تنها یک ماه به دست آمدآمار جالب:- ۶۳٪ کاربران با جمینی به‌صورت صوتی صحبت می‌کنند- در حالت Gemini Live، هر پنجمین درخواست با دوربین یا اشتراک‌گذاری صفحه است- دانش‌آموزان در ۳۸٪ درخواست‌ها فایل ضمیمه می‌کنند- جمنی روزانه بیش از ۱۵۰ میلیون تصویر تولید می‌کند🔗 blog.google---💻 مایکروسافت مدل MAI-Code-1.1-Flash را برای GitHub Copilot منتشر کردمدل زبانی جدید مایکروسافت، چهار برابر ارزان‌تر از نسخه‌ی ژوئن است. این مدل در هر وظیفه ۲۵٪ توکن کمتری مصرف می‌کند و نرخ بقای کد (درصد کد تولیدی که در پروژه باقی می‌ماند) ۴٪ افزایش یافته است.در تست‌ها، MAI-Code-1.1-Flash از نسخه‌ی قبلی، Haiku 4.5 و GPT-5.4 mini بهتر عمل کرده، اما از DeepSeek-V4-Flash در هر دو معیار امتیاز و قیمت عقب‌تر است. جالب اینکه مایکروسافت این مقایسه را فقط در گزارش فنی منتشر کرده و در بیانیه‌ی رسمی نیاورده است.مایکروسافت به‌تدریج مدل‌های خود را جایگزین مدل‌های دیگر می‌کند و خانواده‌ی MAI به گزینه‌ی پیش‌فرض در سرویس‌های هوش مصنوعی این شرکت تبدیل می‌شود.🔗 microsoft.ai---🎬 علی‌بابا مدلی برای انیمیشن‌سازی بلادرنگ شخصیت‌ها منتشر کردتیم Tongyi Lab وزن‌های مدل Wan-Animate-2 را به‌صورت متن‌باز منتشر کرده است. این مدل حرکت یک ویدئو را به شخصیت‌ها منتقل کرده و صحنه‌ی نهایی را از زوایای مختلف می‌سازد. مدل با نسبت‌های ابعادی غیرعادی و فرم‌های بدنی نامتعارف نیز به‌خوبی کار می‌کند.نوآوری اصلی: حذف ریگینگ اسکلتی، تخمین ژست و فشرده‌سازی ویژگی‌های حرکت. مدل به‌طور مستقیم حرکت را با بدن شخصیت تطبیق می‌دهد. کیفیت آن مطابق ادعای علی‌بابا، در سطح Kling و Dreamina است.وزن‌ها روی Hugging Face و ModelScope در دسترس است:- نسخه‌ی کامل: برای ویدئوی ۷۲۰p به ۸ عدد A800 نیاز دارد- نسخه‌ی Lite: برای دیجیتال آواتار و پخش زنده، با ۴ عدد H100 ویدئوی ۴۰۰×۷۲۰ را با ۲۴ فریم بر ثانیه تولید می‌کند🔗 Wan-AI روی Hugging Face---🇪🇺 میسترال پلتفرم خود را به روی مدل‌های دیگر باز می‌کنداستارتاپ فرانسوی میسترال، میزبانی مدل‌های شخص ثالث را روی سرورهای خود آغاز کرده است. اولین مدل میزبان‌شده، GLM-5.2 است که با همان تضمین‌های حریم خصوصی و کنترل داده، روی زیرساخت میسترال اجرا می‌شود.هم‌زمان، میسترال نقاط پایانی منطقه‌ای (Regional Endpoints) در اروپا و آمریکا را در دسترس عموم قرار داده و تعرفه‌ی اولویت‌دار با تضمین در دسترس بودن را راه‌اندازی کرده است.تغییر استراتژی: «هوش مصنوعی مستقل» (Sovereign AI) از نظر میسترال، یعنی کنترل بر سرورها و قوانین پردازش داده، نه لزوماً آموزش مدل از صفر.پیش‌تر مشخص شده بود که معماری Mistral Large 3 شباهت زیادی به DeepSeek V3 دارد. حالا کاربران در شبکه‌های اجتماعی شوخی می‌کنند که اروپا دیگر نیازی به بازبسته‌بندی مدل‌های آسیایی ندارد؛ کافی است سرورهای خود را در اختیار آنها بگذارد!🔗 mistral.ai --- #ChatGPT #Gemini #GitHubCopilot #WanAnimate #MistralAI #هوش_مصنوعی🆔 @asrgooyeshpardaz

🚨 دمویس هاسابیس قبل از کناره‌گیری، ایده‌ی نهاد نظارت بر هوش مصنوعی را مطرح کردبر اساس گزارش وال‌استریت ژورنال، دمیس هاسابیس، دانشمند ارشد گوگل و بنیان‌گذار دیپ‌مایند، در هفته‌های منتهی به کناره‌گیری از سمت مدیرعاملی، با مدیران سایر آزمایشگاه‌های هوش مصنوعی و مقامات دولت آمریکا درباره‌ی ایجاد یک نهاد مستقل و مشترک برای نظارت بر ایمنی هوش مصنوعی گفت‌وگو کرده است.او این نهاد پیشنهادی را به آژانس بین‌المللی انرژی اتمی (IAEA) تشبیه کرده است؛ یک نهاد ناظر غیردولتی که بر توسعه‌ی همکاری‌های هسته‌ای نظارت می‌کند. هدف این سازمان پیشنهادی، تدوین استانداردها و اقدامات ایمنی برای توسعه‌ی هوش عمومی مصنوعی (AGI) است.---📌 ویژگی‌های نهاد پیشنهادی:- بودجه‌ی آن توسط خود صنعت تأمین می‌شود.- با نهادهای فدرال و آزمایشگاه‌های ملی آمریکا همکاری خواهد داشت.- مدل‌ها را برای ریسک‌های امنیت ملی آزمایش می‌کند.- تشخیص می‌دهد که کدام سیستم‌ها در رده‌ی Frontier قرار می‌گیرند.---💡 اهمیت موضوع با افزایش توانایی مدل‌ها در یافتن خودکار آسیب‌پذیری‌ها و دریافت استقلال عملیاتی بیشتر، ایده‌ی ایجاد قوانین بیرونی و الزام‌آور، دیگر یک بحث نظری نیست. به‌نظر می‌رسد بزرگ‌ترین بازیگران صنعت هوش مصنوعی، خود را برای مرحله‌ای آماده می‌کنند که در آن، نظارت صرفاً بر عهده‌ی تیم‌های داخلی ایمنی کافی نخواهد بود.---🔗 منبع: وال‌استریت ژورنال--- #دمیس_هاسابیس #نظارت_بر_هوش_مصنوعی #ایمنی_هوش_مصنوعی #گوگل_دیپ_مایند🆔 @asrgooyeshpardaz