మాట్లాడటం త్వరగా, వినడం నెమ్మదిగా ఉంటుంది (ఇంటర్కనెక్ట్)
ధన్యవాదాలు వాయిస్ కంప్యూటింగ్ చివరకు జరుగుతోంది. ఇప్పుడు మనం దానిని మంచిగా చేయడానికి పని చేయవచ్చు.
ఉచిత విస్పర్ మోడల్ వంటి సాంకేతికత ఇక్కడ ఉంది (ఓపెన్ఏఐ నుండి ఎంత అన్లాక్ చేయబడింది, వైభవము) మరియు ఎలెవెన్ల్యాబ్స్. ప్లస్ పరికరాలు కూడా, Plaud నుండి – irl Granola వీడియో కాల్ ట్రాన్స్క్రైబర్ లాగా – Sandbar వరకు, మీరు మీ రహస్యాలను చెప్పే స్మార్ట్ రింగ్.
ఆపిల్ యొక్క ఇటీవలి $1.6bn Q.aiని కొనుగోలు చేయడం మర్చిపోవద్దు, ఇది ఉపయోగించబడుతుంది నోటితో లేదా మాట్లాడే పదాలను గుర్తించడానికి ‘ముఖ చర్మ సూక్ష్మ కదలికలు’ – అంటే మీ ఎయిర్పాడ్స్లోని కెమెరాలు మీ బుగ్గల వైపు నిజంగా గట్టిగా చూస్తూ వాయిస్ లేకుండా వాయిస్ని అందిస్తాయి. Apple మరియు AI లిప్-రీడింగ్? నేను కిక్-బ్యాక్ (2025)కి అర్హుడిని
మేము దాని వద్ద ఉన్నప్పుడు, ప్రతిదానికీ వాయిస్ ఉండాలి: నేను దీపం వైపు చూపిస్తూ ‘ఆన్’ అని ఎందుకు చెప్పలేను? (2020)
కనీసం మనం సర్వత్రా ట్రాన్స్క్రిప్షన్ (2022)తో ఆడవచ్చు. ఇలా, నిర్మాణానికి నా ప్రారంభ స్థానం పొగమంచు నేను 30 నిమిషాలు (2026) నా వాచ్లో మాట్లాడుతున్నాను.
కాబట్టి వాయిస్ కంప్యూటింగ్ ఇక్కడే ఉండాలనే సంకేతాలుగా ఇవన్నీ తీసుకుందాం.
చివరికి వాయిస్ రెండు వైపులా వెళ్లాలి, సరియైనదా? సంభాషణ కంప్యూటింగ్? మీరు అస్పష్టత, అభిప్రాయాన్ని తెలియజేయడం, మరమ్మత్తు చేయడం, పునరావృతం చేయడం, అన్వేషించడం వంటివి చేయగలగాలి.
అని ఇన్వెస్టర్ టామ్ హుల్మే అభిప్రాయపడ్డారు మనం టైప్ చేసే దానికంటే మూడు నుంచి నాలుగు రెట్లు వేగంగా మాట్లాడగలం.
మరియు అందువలన:
ఇప్పుడు, ఉత్పాదక AI సంభాషణను కొత్త వినియోగదారు ఇంటర్ఫేస్గా మారుస్తోంది. సాంకేతికతతో మాట్లాడటానికి సున్నా శిక్షణ అవసరం మరియు ప్రత్యేక నైపుణ్యాలు లేవు; మేము మా జీవితాలలో ఎక్కువ భాగం విధానాన్ని పరిపూర్ణంగా గడిపాము. ఇది మరొక వ్యక్తితో మాట్లాడటం వంటి సహజమైనది.
నేను ఏకీభవిస్తున్నాను కొంత భాగం.
సహజ UIకి అవును: మీకు కావాల్సిన వాటిని మీరు వ్యక్తపరుస్తారు మరియు మిగిలిన వాటిని AI చేస్తుంది. – వినియోగదారు ఇంటర్ఫేస్లు మెనూలు మరియు బటన్ల గురించి కాకుండా ముందుగా ఉద్దేశ్యం (2025).
కానీ:
వాయిస్ని రెండు విధాలుగా ఉపయోగించి సంభాషణ చేయాలా? నాకు అంత ఖచ్చితంగా తెలియదు.
వాయిస్ అసమానమైనది. మాట్లాడటం అధిక బ్యాండ్విడ్త్. కానీ వినడం తక్కువ బ్యాండ్విడ్త్.
దృష్టాంతం #1: వాయిస్ నోట్స్ పంపడం చాలా సులభం. వాటిని స్వీకరించడం ప్రపంచం నుండి ఆనందాన్ని పీల్చుకుంటుంది.
సంభాషణాత్మక కంప్యూటింగ్ నుండి మనం నిజంగా కోరుకునేది అదేనా?
ఇలస్ట్రేషన్ #2: నేను నా Apple HomePod మినీని కొంత సంగీతాన్ని ప్లే చేయమని అడుగుతాను మరియు అది నా ఉద్దేశ్యాన్ని ఖచ్చితంగా తనిఖీ చేయాలి. 3 ఆర్టిస్టుల పేర్లను చెప్పి, నన్ను ఎంపిక చేయమని అడగడం చాలా దుర్భరంగా ఉంది. కనుక ఇది ఆ దశను నివారిస్తుంది, ఒక అంచనాను తీసుకుంటుంది మరియు ఇది చాలా తరచుగా పేలవమైన అనుభవం కాదు. నేను 2023 నుండి దీని వైపు చూస్తున్నాను.
సరే కాబట్టి టూ-వే వాయిస్ పని చేయదు. ఏమి చేస్తుంది?
సంభాషణ కంప్యూటింగ్కు మెరుగైన విధానం:
మానవుడు వాయిస్ని ఉపయోగిస్తాడు మరియు కంప్యూటర్ స్క్రీన్లను ఉపయోగిస్తుంది. నా ఉద్దేశ్యం, నా ఫోన్ పెరిపర్సనల్ స్పేస్కు మించి ఉండటం చాలా అరుదు కాబట్టి అది చాలా అరుదుగా మాత్రమే ఉండదని మేము భావించవచ్చు. సమాచార బ్యాండ్విడ్త్ పరంగా వినడం కంటే స్క్రీన్ చాలా ఎక్కువగా ఉంటుంది. దాన్ని వాడుకుందాం!
ది స్నేహితుడు AI లాన్యార్డ్ ఈ హక్కు పొందుతుంది.
ఈరోజు ఉదయం రైతుబజారుకి వెళ్ళినప్పుడు నేను ఆర్థర్ ధరించాను. దీని అర్థం నేను దానితో నేరుగా మాట్లాడటం లేదు, కానీ నా కుటుంబం, ఇతర హాజరైనవారు మరియు కొంతమంది విక్రేతలతో మాట్లాడుతున్నాను. కానీ గుర్తుంచుకోండి: మీ స్నేహితుడు ఎల్లప్పుడూ వింటూ ఉంటాడు. ఆర్థర్ నేను చేసిన ప్రతి సంభాషణను వింటూ, కొన్నిసార్లు ఈ విషయంపై తన స్వంత అభిప్రాయాన్ని ఇచ్చాడు – అన్నీ అర్థరహితం, మరోసారి.
గంటన్నర వ్యవధిలో, నా స్నేహితుడి నుండి నాకు 48 నోటిఫికేషన్లు వచ్చాయి.
మరియు ఇది ప్రతికూల సమీక్ష అయినప్పటికీ (ఉదా. నోటిఫికేషన్లు స్నార్క్: వీటిలో చాలా వరకు దాని బ్యాటరీ స్థితి గురించి నన్ను అప్డేట్ చేస్తున్నాయి) ఇది నిజంగా ఆదర్శంగా అనిపిస్తుంది?
ఇలా, ఇది నేరుగా సంబోధించబడినప్పుడు రెండింటినీ వినే పరికరం మరియు ఇది నాపై శ్రద్ధ చూపుతుంది, ఆపై నేను ఎంచుకున్న సమయంలో నేను ఇంటరాక్ట్ చేయగల UIని నాకు చూపించడానికి ఇది ఉదారంగా స్క్రీన్ రియల్ ఎస్టేట్ను ఉపయోగిస్తుంది. ఇది మంచిది!
స్టార్టప్ టెలిపాత్ వాయిస్ మరియు మల్టీ-మోడాలిటీని కూడా తవ్వుతోంది:
వాయిస్ మాకు ఇన్పుట్ కోసం అదనపు సమాచారాన్ని అందిస్తుంది, ఇది కీబోర్డ్, మౌస్ లేదా టచ్ని ఉపయోగించి ప్రత్యక్ష మానిప్యులేషన్తో ఏకకాలంలో జరుగుతుంది. టెలిపాత్ కంప్యూటర్తో, కంప్యూటర్ను డైరెక్ట్ చేయడానికి మీ వాయిస్ని ఉపయోగిస్తున్నప్పుడు, నియంత్రణ మరియు ఖచ్చితత్వం ముఖ్యమైన పనుల కోసం మీరు తాకవచ్చు మరియు టైప్ చేయవచ్చు. ఇది భౌతిక ప్రపంచంలో మన సహజ ప్రవర్తనను అనుకరిస్తుంది: ఉదాహరణకు, మీ చేతులు పాస్తాతో బిజీగా ఉన్నప్పుడు తులసి లేదా ఉల్లిపాయలను కోయమని ఎవరైనా అడగడం, కుటుంబం లేదా స్నేహితులతో కలిసి భోజనం చేయడం వంటివి ఊహించుకోండి.
మరియు ప్రత్యేకంగా:
టెలిపాత్ కంప్యూటర్ వాయిస్ ద్వారా మాట్లాడుతుంది, అదే సమయంలో వినియోగదారు సూచించడానికి మరియు పరస్పర చర్య చేయడానికి పత్రాలు మరియు సమాచారాన్ని ప్రదర్శిస్తుంది. వాస్తవ ప్రపంచంలో సంక్లిష్ట సమాచారాన్ని మనం ఎలా కమ్యూనికేట్ చేయాలో కూడా ఈ “షో అండ్ టెల్” విధానం ఉంది: మేము డిన్నర్ సమయంలో సహోద్యోగితో సమస్యను చర్చిస్తున్నప్పుడు రుమాలుపై స్కెచింగ్; యూజర్ ఫీడ్బ్యాక్ గురించి మాట్లాడుతున్నప్పుడు స్టిక్కీలను అసెంబ్లింగ్ చేసే డిజైన్ బృందాలు; సమూహ సెలవులను ప్లాన్ చేస్తున్నప్పుడు మీ ల్యాప్టాప్లో మ్యాప్లు మరియు హోటళ్లను లాగడం.
ఇది చాలా అధునాతనమైనది! నేను దానిని ప్రేమిస్తున్నాను.
సారాంశం:
కంప్యూటర్ పరస్పర చర్య యొక్క భవిష్యత్తుకు వాయిస్ ప్రధానమైనది
వాయిస్ సరిపోదు కాబట్టి మాకు సంభాషణ కంప్యూటింగ్ అవసరం
వాయిస్ యొక్క బ్యాండ్విడ్త్ అసమానత కారణంగా, రెండు-మార్గం వాయిస్ కొన్నిసార్లు పని చేయవచ్చు, కానీ పరిష్కరించడానికి అవసరమైన ఇంటరాక్షన్ లూప్ వాయిస్ ఇన్, స్క్రీన్స్ అవుట్.
అది సరిపోనప్పుడు (ఉదాహరణకు, మీ వద్ద మీ ఫోన్ లేదు) మీరు మరింత అధునాతనంగా పొందవచ్చు. మరియు ఇది నిజంగా మంచి చేయడానికి సామీప్యత మరియు మరిన్ని వంటి సమస్యలను పరిష్కరించడానికి ఉన్నాయి… ఎక్కడ త్రవ్వాలో గుర్తించడానికి గొప్ప పరస్పర రూపకల్పన మార్గాన్ని అనుసరించండి…
Singer/songwriter Zach Seabaugh biedt een tedere momentopname van toewijding op ‘I Am Only Ever Thinking About You’, waarin hij droomt van thuis met zachte, romantische akoestische warmte. volg onze Today’s Song(s)-afspeellijst “Ik denk alleen maar aan jou” – Zach Seabaugh Een gemiste oproep, laat op de avond, een lange rit… * * * On…
مراجعة الموسيقى: “السودان الجديد” لبرينان غيلمور يتكشف بنعمة هادئة لأغنية طريق متجولة، يحملها لحن يبدو موسعًا ومضاءً بنور الشمس وينقل بلطف. تخلق آلاتها البسيطة إحساسًا بالانجراف عبر مناظر طبيعية غير مألوفة، حيث تدعو كل نغمة إلى التفكير بدلاً من الإلحاح. تصل غناء غيلمور بدفء وإخلاص سهل، ونغمة غنية ومألوفة ترتكز على المسار عاطفيًا بينما تخفف…
শোক শুধুমাত্র একটি প্রোগ্রাম অনুসরণ করে যতক্ষণ না কেউ ভুল চেয়ারে বসে। r/AskReddit-এ, কেউ একটি অস্বাভাবিক প্রশ্ন পোস্ট করেছে: “বিবাহগুলি ভুলে যান, আপনি যে অন্ত্যেষ্টিক্রিয়াতে গিয়েছিলেন সেখানে সবচেয়ে অদ্ভুত জিনিসটি কী হয়েছিল?” উত্তরগুলি সরাসরি জ্বরের স্বপ্ন থেকে মনে হয়েছিল। কানেকটিকাটে একজন রেডিটরের চাচাতো ভাই মারা গেছেন। ডাউন সিনড্রোমে আক্রান্ত তাদের অন্য চাচাতো ভাই পরিষেবাতে কাঁদতে…
Kiedy marka przestaje pojawiać się w ChatGPT lub gdy jej udział w głosie w Perplexity spada o połowę w ciągu jednej czwartej, typową reakcją organizacji marketingowej jest napisanie większej ilości treści. Czasem dużo więcej. Uważa się, że jeśli systemy AI nie pojawiają się na powierzchni marki, rozwiązaniem jest zapewnienie im większej ilości materiału do pracy….
ОпенАИ официально запустила следующий этап рекламы внутри ChatGPT, представив бета-версию Ads Manager с самообслуживанием, а также новые цены за клик и расширенные инструменты измерения. Обновление выводит рекламу ChatGPT за пределы первоначальной пилотной фазы. Рекламодатели теперь могут создавать кампании и управлять ими напрямую через OpenAI, а не полагаться только на управляемые партнерские отношения и отношения с…
Disfruté esta entrevista con la directora de búsqueda de Google, Liz Reid, en el podcast de ACCESS con Alex Heath y Ellis Hamburger. Liz habló mucho sobre el futuro de la Búsqueda. Aquí están las cinco partes más interesantes. ¿Con el tiempo los agentes realizarán la mayor parte de la actividad en la Web? Si,…
ధన్యవాదాలు వాయిస్ కంప్యూటింగ్ చివరకు జరుగుతోంది. ఇప్పుడు మనం దానిని మంచిగా చేయడానికి పని చేయవచ్చు.
ఉచిత విస్పర్ మోడల్ వంటి సాంకేతికత ఇక్కడ ఉంది (ఓపెన్ఏఐ నుండి ఎంత అన్లాక్ చేయబడింది, వైభవము) మరియు ఎలెవెన్ల్యాబ్స్. ప్లస్ పరికరాలు కూడా, Plaud నుండి – irl Granola వీడియో కాల్ ట్రాన్స్క్రైబర్ లాగా – Sandbar వరకు, మీరు మీ రహస్యాలను చెప్పే స్మార్ట్ రింగ్.
ఆపిల్ యొక్క ఇటీవలి $1.6bn Q.aiని కొనుగోలు చేయడం మర్చిపోవద్దు, ఇది ఉపయోగించబడుతుంది – అంటే మీ ఎయిర్పాడ్స్లోని కెమెరాలు మీ బుగ్గల వైపు నిజంగా గట్టిగా చూస్తూ వాయిస్ లేకుండా వాయిస్ని అందిస్తాయి. Apple మరియు AI లిప్-రీడింగ్? నేను కిక్-బ్యాక్ (2025)కి అర్హుడిని
మేము దాని వద్ద ఉన్నప్పుడు, ప్రతిదానికీ వాయిస్ ఉండాలి: నేను దీపం వైపు చూపిస్తూ ‘ఆన్’ అని ఎందుకు చెప్పలేను? (2020)
కనీసం మనం సర్వత్రా ట్రాన్స్క్రిప్షన్ (2022)తో ఆడవచ్చు. ఇలా, నిర్మాణానికి నా ప్రారంభ స్థానం పొగమంచు నేను 30 నిమిషాలు (2026) నా వాచ్లో మాట్లాడుతున్నాను.
కాబట్టి వాయిస్ కంప్యూటింగ్ ఇక్కడే ఉండాలనే సంకేతాలుగా ఇవన్నీ తీసుకుందాం.
చివరికి వాయిస్ రెండు వైపులా వెళ్లాలి, సరియైనదా? సంభాషణ కంప్యూటింగ్? మీరు అస్పష్టత, అభిప్రాయాన్ని తెలియజేయడం, మరమ్మత్తు చేయడం, పునరావృతం చేయడం, అన్వేషించడం వంటివి చేయగలగాలి.
అని ఇన్వెస్టర్ టామ్ హుల్మే అభిప్రాయపడ్డారు
మరియు అందువలన:
నేను ఏకీభవిస్తున్నాను కొంత భాగం.
సహజ UIకి అవును: – వినియోగదారు ఇంటర్ఫేస్లు మెనూలు మరియు బటన్ల గురించి కాకుండా ముందుగా ఉద్దేశ్యం (2025).
కానీ:
వాయిస్ని రెండు విధాలుగా ఉపయోగించి సంభాషణ చేయాలా? నాకు అంత ఖచ్చితంగా తెలియదు.
వాయిస్ అసమానమైనది. మాట్లాడటం అధిక బ్యాండ్విడ్త్. కానీ వినడం తక్కువ బ్యాండ్విడ్త్.
దృష్టాంతం #1: వాయిస్ నోట్స్ పంపడం చాలా సులభం. వాటిని స్వీకరించడం ప్రపంచం నుండి ఆనందాన్ని పీల్చుకుంటుంది.
సంభాషణాత్మక కంప్యూటింగ్ నుండి మనం నిజంగా కోరుకునేది అదేనా?
ఇలస్ట్రేషన్ #2: నేను నా Apple HomePod మినీని కొంత సంగీతాన్ని ప్లే చేయమని అడుగుతాను మరియు అది నా ఉద్దేశ్యాన్ని ఖచ్చితంగా తనిఖీ చేయాలి. 3 ఆర్టిస్టుల పేర్లను చెప్పి, నన్ను ఎంపిక చేయమని అడగడం చాలా దుర్భరంగా ఉంది. కనుక ఇది ఆ దశను నివారిస్తుంది, ఒక అంచనాను తీసుకుంటుంది మరియు ఇది చాలా తరచుగా పేలవమైన అనుభవం కాదు. నేను 2023 నుండి దీని వైపు చూస్తున్నాను.
సరే కాబట్టి టూ-వే వాయిస్ పని చేయదు. ఏమి చేస్తుంది?
సంభాషణ కంప్యూటింగ్కు మెరుగైన విధానం:
మానవుడు వాయిస్ని ఉపయోగిస్తాడు మరియు కంప్యూటర్ స్క్రీన్లను ఉపయోగిస్తుంది. నా ఉద్దేశ్యం, నా ఫోన్ పెరిపర్సనల్ స్పేస్కు మించి ఉండటం చాలా అరుదు కాబట్టి అది చాలా అరుదుగా మాత్రమే ఉండదని మేము భావించవచ్చు. సమాచార బ్యాండ్విడ్త్ పరంగా వినడం కంటే స్క్రీన్ చాలా ఎక్కువగా ఉంటుంది. దాన్ని వాడుకుందాం!
ది స్నేహితుడు AI లాన్యార్డ్ ఈ హక్కు పొందుతుంది.
మరియు ఇది ప్రతికూల సమీక్ష అయినప్పటికీ (ఉదా. నోటిఫికేషన్లు స్నార్క్: ) ఇది నిజంగా ఆదర్శంగా అనిపిస్తుంది?
ఇలా, ఇది నేరుగా సంబోధించబడినప్పుడు రెండింటినీ వినే పరికరం మరియు ఇది నాపై శ్రద్ధ చూపుతుంది, ఆపై నేను ఎంచుకున్న సమయంలో నేను ఇంటరాక్ట్ చేయగల UIని నాకు చూపించడానికి ఇది ఉదారంగా స్క్రీన్ రియల్ ఎస్టేట్ను ఉపయోగిస్తుంది. ఇది మంచిది!
స్టార్టప్ టెలిపాత్ వాయిస్ మరియు మల్టీ-మోడాలిటీని కూడా తవ్వుతోంది:
మరియు ప్రత్యేకంగా:
ఇది చాలా అధునాతనమైనది! నేను దానిని ప్రేమిస్తున్నాను.
సారాంశం:
అది సరిపోనప్పుడు (ఉదాహరణకు, మీ వద్ద మీ ఫోన్ లేదు) మీరు మరింత అధునాతనంగా పొందవచ్చు. మరియు ఇది నిజంగా మంచి చేయడానికి సామీప్యత మరియు మరిన్ని వంటి సమస్యలను పరిష్కరించడానికి ఉన్నాయి… ఎక్కడ త్రవ్వాలో గుర్తించడానికి గొప్ప పరస్పర రూపకల్పన మార్గాన్ని అనుసరించండి…
నా ఆలోచనలను సేకరిస్తున్నాను.