متا یک ابزار هوش مصنوعی متنباز برای ساخت پادکست معرفی کرد که به طور مستقیم با هوش مصنوعی محبوب گوگل NotebookLM رقابت میکند.
هوش مصنوعی گوگل NotebookLM به کاربران کمک میکند فایلهای متنی مثل کتاب را در قالب یک دفترچه دیجیتال ذخیره و بخشبندی میکند. ابزار گوگل به سوالات شما در مورد این دادهها پاسخ داده و آنها را به صورت پادکست صوتی درمیآورد.
قابلیتهای جالب این ابزار باعث شد به سرعت بین کاربران محبوب شود و حالا متا هوش مصنوعی NotebookLlama را به عنوان رقیب متن باز آن معرفی کرده است. کاربران میتوانند فایلهای متنی خود را در آن آپلود کنند تا هوش مصنوعی آن را به یک پادکست صوتی با دو گوینده تبدیل کند. NotebookLlama دقیقا مثل هوش مصنوعی گوگل از گفتگوهای رفت و برگشتی بین میزبانهای هوش مصنوعی پشتیبانی میکند.
سازوکار هوش مصنوعی متا
ابزار NotebookLlama برای تبدیل متن به پاکست صوتی از سه مدل زبانی بزرگ استفاده میکند. در حال حاضر تنها فایلهای PDF پشتیبانی میشوند و بنابراین باید متن را از قالبهای دیگر به PDF تبدیل کنید.
همانطور که در تصویر زیر میبینید در مرحله اول مدل Llama 3.2 1B فایل PDF را پردازش کرده و به صورت txt ذخیره میکند. سپس مدل Llama 3.1 70B از روی دیتاست منبع یک پیشنویس برای پادکست تهیه میکند. در ادامه برای اینکه متن به یک اثر شنیداری و پویا تبدیل شده و شنونده را به خود جلب کند، توسط مدل Llama 3.1 8B بازنویسی میشود. در نهایت ابزار سفارشی Parler TTS متن را به صوت تبدیل میکند.
ابزار تولید پادکست متا به صورت متن باز عرضه شده و توسعهدهندگان میتوانند مدلهای معرفی شده در هر مرحله را با مدلهای هوش مصنوعی دیگر جایگزین کنند. به گفته متا برای اجرای این سیستم هوش مصنوعی با تنظیمات پیشنهادی، به پردازشگر گرافیکی با مجموع ۱۴۰ گیگابایت حافظه نیاز دارید.
در صورتی که به اجرای این مدل علاقمند هستید، توصیه ما استفاده از پردازشگر گرافیکی ابری اهورا است که این سختافزار را به عنوان سرویس و با حداقل هزینه در اختیار شما قرار میدهد.
مشکلات هوش مصنوعی متا
در نمونههایی که از خروجی ابزار NotebookLlama منتشر شده، کیفیت پادکست به مراتب از گوگل NotebookLM پایینتر است. لحن صدا کاملا رباتیک است، بخشهایی از متن نامفهوم است و گاهی میزبانهای AI صحبت هم را قطع میکنند.
متا با تایید این مشکلات اعلام کرده که در نسخههای بعدی آنها را رفع خواهد کرد. به گفته این شرکت پایین بودن کیفیت صدا ناشی از محدودیتهای مدل تبدیل متن به صوت است و با بهینهسازی آن کیفیت خروجی بهتر خواهد شد.
دیگر راهکار متا برای بهینهسازی ابزار استفاده از دو مدل زبانی برای تهیه پیش نویس متن است. در این روش مدلها در همان مرحله تهیه سناریو با یکدیگر صحبت میکنند تا متن نهایی به پادکست شبیهتر شود. این شرکت برای نوشتن متن پادکست قصد استفاده از قویترین مدل خود یعنی Llama 405B را دارد که عملکرد آن به مراتب از مدلهای فعلی قویتر است.
اپراتور هوش مصنوعی کاربردی اهورا با ارائه خدماتی نظیر پردازش گرافیکی ابری، ذخیرهسازی هوش مصنوعی و مشاوره تخصصی، بهطور همهجانبه پاسخگوی نیازهای متنوع مشتریان در حوزه هوش مصنوعی است. در اهورا بسته به نیازتان میتوانید سرور مجازی GPU را با کارت گرافیک انویدیا RTX 2080 یا RTX 4090 و … بسازید.
منبع
