🎙 مدل NeuDecide: تصمیم‌گیری صوتی بدون رونویسی، فقط با ۴۳ مگابایت
شرکت Neuphonic مدلی منتشر کرده به نام NeuDecide که صدای شما را مستقیم به فراخوانی ابزار (Tool Call) تبدیل می‌کند، بدون هیچ مرحله رونویسی. این مدل فقط ۴۳ مگابایت حجم دارد و روی یک هسته CPU اجرا می‌شود.
🔍 چه فرقی با روش‌های معمول دارد؟
روش رایج امروز برای ساخت عامل صوتی یک زنجیره چندمرحله‌ای است: ابتدا گفتار به متن تبدیل می‌شود، سپس متن به یک مدل فراخوانی ابزار داده می‌شود و در نهایت نتیجه اعتبارسنجی می‌شود. NeuDecide این زنجیره را با یک مدل واحد جایگزین می‌کند. صدا و تعریف ابزارها را می‌گیرد و مستقیم فراخوانی را پیش‌بینی می‌کند. این یعنی تأخیر کمتر، حذف یک مدل اضافی، و حفظ اطلاعاتی مثل تردید و تأکید که در رونویسی از بین می‌رود.
⚙️ مشخصات فنی
· حجم: ۴۳ مگابایت (خروجی Q4)
· پارامتر: حدود ۶۰ میلیون
· زمان استنتاج: ۴۶ میلی‌ثانیه روی مک‌بوک M3
· اجرا: کاملاً آفلاین، حتی روی موبایل و رزبری‌پای
· دقت: ۷۵.۵٪ در بنچمارک SLURP
مدل از سه گراف ONNX تشکیل شده و ابزارها به‌صورت JSON Schema در زمان استنتاج پاس داده می‌شوند. این یعنی می‌توانید بدون آموزش مجدد، صبح یک بازوی رباتیک را کنترل کنید و بعدازظهر یک سیستم رزرو. فقط JSON را عوض می‌کنید، نه مدل را.
🎯 خلاصه
مدل NeuDecide نشان می‌دهد می‌توان قابلیت کنترل صوتی را به هر دستگاه کم‌توان آورد. برخلاف Jev که ورودی متنی دارد، این مدل مستقیماً صدا را می‌فهمد. ترکیب این دو رویکرد — تصمیم‌گیری نوع‌دار و ورودی صوتی — می‌تواند مسیر جدیدی برای عامل‌های سبک و آفلاین باز کند.
🔗 وبلاگ Neuphonic | GitHub | Hugging Face
#هوش_مصنوعی #NeuDecide #Neuphonic #SpeechAI
🆔 @asrgooyeshpardaz
شرکت Neuphonic مدلی منتشر کرده به نام NeuDecide که صدای شما را مستقیم به فراخوانی ابزار (Tool Call) تبدیل می‌کند، بدون هیچ مرحله رونویسی. این مدل فقط ۴۳ مگابایت حجم دارد و روی یک هسته CPU اجرا می‌شود.
🔍 چه فرقی با روش‌های معمول دارد؟
روش رایج امروز برای ساخت عامل صوتی یک زنجیره چندمرحله‌ای است: ابتدا گفتار به متن تبدیل می‌شود، سپس متن به یک مدل فراخوانی ابزار داده می‌شود و در نهایت نتیجه اعتبارسنجی می‌شود. NeuDecide این زنجیره را با یک مدل واحد جایگزین می‌کند. صدا و تعریف ابزارها را می‌گیرد و مستقیم فراخوانی را پیش‌بینی می‌کند. این یعنی تأخیر کمتر، حذف یک مدل اضافی، و حفظ اطلاعاتی مثل تردید و تأکید که در رونویسی از بین می‌رود.
⚙️ مشخصات فنی
· حجم: ۴۳ مگابایت (خروجی Q4)
· پارامتر: حدود ۶۰ میلیون
· زمان استنتاج: ۴۶ میلی‌ثانیه روی مک‌بوک M3
· اجرا: کاملاً آفلاین، حتی روی موبایل و رزبری‌پای
· دقت: ۷۵.۵٪ در بنچمارک SLURP
مدل از سه گراف ONNX تشکیل شده و ابزارها به‌صورت JSON Schema در زمان استنتاج پاس داده می‌شوند. این یعنی می‌توانید بدون آموزش مجدد، صبح یک بازوی رباتیک را کنترل کنید و بعدازظهر یک سیستم رزرو. فقط JSON را عوض می‌کنید، نه مدل را.
🎯 خلاصه
مدل NeuDecide نشان می‌دهد می‌توان قابلیت کنترل صوتی را به هر دستگاه کم‌توان آورد. برخلاف Jev که ورودی متنی دارد، این مدل مستقیماً صدا را می‌فهمد. ترکیب این دو رویکرد — تصمیم‌گیری نوع‌دار و ورودی صوتی — می‌تواند مسیر جدیدی برای عامل‌های سبک و آفلاین باز کند.
🔗 وبلاگ Neuphonic | GitHub | Hugging Face
#هوش_مصنوعی #NeuDecide #Neuphonic #SpeechAI
🆔 @asrgooyeshpardaz
Neuphonic
Neuphonic | Blog | NeuDecide
Next-Gen Voice AI
❤3👍1