Rime, dos EUA, constrói sistema próprio de dados de voz e impulsiona a implementação de modelos de voz para voz com baixa latência

De acordo com pt.wedoany.com-A empresa americana de inteligência artificial de voz Rime está expandindo seu sistema de coleta de dados de voz, desenvolvimento de modelos e entrega setorial, com foco no avanço de modelos de voz para voz de baixa latência. A empresa construiu seu próprio estúdio de gravação em São Francisco, nos EUA, coletando dados de treinamento por meio de gravações de conversas reais entre pessoas, reduzindo a dependência de áudio público da internet e otimizando a capacidade de interação por voz em cenários como atendimento ao cliente empresarial, serviços médicos, operações aéreas e tecnologia financeira.

A Rime, dos EUA, foi fundada em 2022, e os membros da equipe fundadora têm experiência em pesquisa na Universidade de Stanford, desenvolvimento do sistema de voz Alexa da Amazon e engenharia de pesquisa. Diferente do método de extrair diretamente áudio da internet para treinar modelos, a empresa coleta dados de conversas com informações claras de falante, contexto e pronúncia em estúdios de gravação, utilizando esses dados para treinamento de síntese de voz, controle de pronúncia e modelos de interação.

O sistema próprio de gravação permite que o treinamento do modelo seja mais direcionado. Sistemas de voz empresariais frequentemente precisam lidar com nomes de marcas, modelos de produtos, nomes de medicamentos e termos técnicos específicos do setor em uso real, e modelos de voz genéricos são propensos a erros de acentuação, omissão de sílabas ou pronúncia inconsistente. A Rime, dos EUA, adota uma arquitetura de modelo baseada em fonemas, decompondo palavras em unidades de pronúncia mais básicas e ajustando a forma de pronúncia de acordo com o ambiente de uso de diferentes empresas e setores.

Essa abordagem técnica não exige que os clientes retreinem o modelo completo. As empresas podem adicionar vocabulário de marca, termos técnicos e pronúncias específicas ao sistema de voz existente, permitindo que a voz de IA mantenha alta precisão ao lidar com conteúdos especializados em áreas como medicina, aviação e finanças. O foco da pesquisa já se deslocou da simples geração de sons naturais para resolver a consistência de pronúncia e a estabilidade da interação por voz em operações reais.

Anteriormente, a Rime, dos EUA, utilizava um pipeline de múltiplos modelos composto por conversão de voz em texto, processamento de texto, modelo de linguagem grande e conversão de texto em voz. Quando o usuário falava, o sistema precisava primeiro reconhecer o texto, depois gerar uma resposta com o modelo de linguagem grande e, finalmente, converter o texto em voz. A execução sequencial de vários modelos tende a aumentar o tempo de espera e pode resultar em tom, pausas e transições de turno não naturais.

A empresa está atualmente migrando para o desenvolvimento de modelos de voz para voz, permitindo que o sistema compreenda diretamente a entrada de voz e gere saída de voz, reduzindo as etapas de orquestração entre vários modelos. A nova direção de pesquisa foca em resolver problemas como latência de resposta, alternância de turnos em conversas com múltiplas pessoas, interferência de ruído de fundo e interrupções do usuário, aproximando o agente de voz de IA do ritmo de comunicação de um atendente humano real.

Modelos de voz para voz também precisam integrar compreensão semântica, geração de voz e interação em tempo real em um sistema unificado. O modelo não só precisa determinar o que o usuário disse, mas também identificar a velocidade da fala, a posição das pausas e se a conversa terminou, para então decidir quando responder. Com a redução do número de modelos intermediários, o caminho de execução do sistema é mais curto, facilitando também o controle unificado do estilo de voz, emoção e pronúncia.

Os modelos de voz da Rime, dos EUA, já são aplicados em setores como serviços de alimentação, saúde, aviação e tecnologia financeira, com clientes incluindo a Mayo Clinic, Dialpad, Upstart e Asurion, todos dos EUA. Diferentes aplicações têm requisitos distintos para o sistema de voz: cenários médicos exigem processamento preciso de nomes de doenças e medicamentos, cenários de aviação precisam identificar informações de voos e aeroportos, enquanto sistemas de atendimento ao cliente focam mais na velocidade de resposta e na estabilidade durante chamadas longas.

A empresa também planeja expandir as equipes de desenvolvimento de modelos, implementação de engenharia e entrega de parcerias, fortalecendo a capacidade dos modelos de voz de transitar do ambiente de pesquisa para sistemas empresariais. A Rime, dos EUA, recentemente contratou um cientista-chefe com experiência em compreensão de áudio e pesquisa em aprendizado profundo, e continuará aprimorando os processos de coleta de dados, treinamento de modelos, implantação de sistemas e adaptação ao cliente.

O cerne deste ajuste de negócios não é simplesmente aumentar o número de modelos de voz, mas construir um sistema completo que vai desde a coleta de voz humana, processamento de dados fonêmicos, desenvolvimento de modelos até a entrega empresarial. Os próximos avanços serão refletidos principalmente na implementação de modelos de voz para voz, redução da latência de interação, capacidade de reconhecimento em ambientes ruidosos e integração com mais sistemas setoriais.