Odaily星球日报讯 OpenAI a annoncé le lancement de son dernier modèle phare, le GPT-4o, qui peut réaliser des inférences en temps réel sur l'audio, la vision et le texte. Il se concentre sur les concepts d'assistant vocal personnalisé, surnaturel et à très faible latence. Selon le site officiel d'OpenAI et les informations du compte officiel de la plateforme X, le "o" dans GPT-4o représente "Omni" (complet), marquant une étape vers une interaction homme-machine plus naturelle - il accepte n'importe quelle combinaison de texte, audio et images en tant qu'entrée, et prend en charge la génération de n'importe quelle combinaison de texte, audio et images en tant que sortie. Il peut répondre à une entrée audio en 232 millisecondes en moyenne, ce qui est similaire au temps de réaction humain lors d'une conversation. En termes d'anglais et de code, il est aussi performant que le GPT-4 Turbo, il présente des améliorations significatives sur les textes dans les langues autres que l'anglais, et son API est plus rapide et 50% moins chère que les modèles existants. Comparé aux modèles actuels, le GPT-4o se distingue particulièrement dans la compréhension visuelle et auditive. Les entrées de texte et d'image seront lancées aujourd'hui dans l'API et ChatGPT, tandis que les entrées vocales et vidéo seront lancées dans les prochaines semaines.

1. Les États-Unis et la Chine ont annoncé qu’ils tiendraient la première réunion du Dialogue intergouvernemental entre les États-Unis et la Chine sur l’intelligence artificielle. 2. Le premier robot humanoïde grandeur nature au monde, « Tiangong », doté d’un entraînement purement électrique pour la course anthropomorphe, a été lancé3. Apple a relancé les négociations avec OpenAI pour ajouter de nouvelles fonctionnalités d’IA à ses nouveaux produits. 4. Musk : TSL investira environ 10 milliards de dollars cette année dans la formation et l’inférence de l’IA dans le domaine automobile. 5. Le gouvernement américain aurait mis en place un comité de sécurité de l’IA, dont les membres comprennent des dirigeants de géants de la technologie tels que Jensen Huang et Sam Altman. 6. Lancement de la version chinoise du modèle vidéo de niveau Sora Vidu : il peut générer jusqu’à 16 secondes et jusqu’à 1080p vidéo. 7. Nvidia Jensen Huang affirme que l’IA ne remplacera pas complètement les emplois humains. 8. Le modèle EMO sera entièrement lancé gratuitement sur l’application Tongyi, et la coopération avec les entreprises clientes sera ouverte dès que possible. 9. L’Université Tsinghua a créé l’École d’intelligence artificielle, et le premier doyen était l’académicien Yao Chizhi, lauréat du prix Turing. 10. Danghong Technology a publié le modèle audio-visuel le plus long, BlackEye. 11. Question k générale Open Source k modèle de paramètres de niveau milliard.

Selon les rapports de presse en amont, alors que l’IA est progressivement devenue un sujet brûlant dans l’industrie, Ximalaya adopte également activement la tendance de l’IA, aidant les ancres de plate-forme à réduire les coûts et à augmenter l’efficacité grâce à la technologie de l’IA, et à améliorer la capacité de production de contenu. Récemment, Ximalaya a organisé la cérémonie annuelle d’ancrage audio « 2024 Drama Elite Festival » à Chengdu, et Ximalaya a remis des prix aux créateurs exceptionnels de la plateforme, parmi lesquels les prix « Meilleur producteur d’IA » et « Meilleure équipe de production d’IA » ont été décernés aux créateurs exceptionnels qui adoptent l’IA avec la plateforme. En 2023, Ximalaya utilisera le modèle de « combinaison homme-machine » des producteurs d’IA pour doubler la production de contenu de haute qualité, et l’IA continuera d’itérer pour atteindre « l’hyperréalisme », ce qui favorisera également l’amélioration rapide de la qualité et de la quantité de contenu gratuit. En 2024, en plus de continuer à utiliser la technologie de l’IA pour aider à la génération audio, Ximalaya utilisera également l’IA pour améliorer le processus de production, aider les présentateurs à réduire considérablement les coûts de production et faire de chaque présentateur un club de théâtre.

Selon IT Home le 8 janvier, la société de logiciels antivirus McAfee a récemment lancé un nouveau projet « Project Mockingbird » (robinbird) pour détecter et bloquer les escroqueries vocales générées par l’IA, et l’affirmation officielle selon laquelle le taux de réussite du projet est supérieur à 90%. Il est rapporté que « Mockingbird » dispose d’une technologie de détection audio « Depth Fake » pilotée par l’IA, et le directeur technique de McAfee, Steve Grobman, a annoncé que cette technologie sera officiellement annoncée lors du CES 2024.

NVIDIA NeMo, une boîte à outils d’IA conversationnelle open source, a annoncé la famille de modèles Parakeet ASR, une série de modèles de reconnaissance vocale automatique (ASR) de pointe capables de transcrire l’anglais parlé avec une précision exceptionnelle, comme l’a rapporté Webmaster Home le 8 janvier. Nvidia a annoncé quatre modèles Parakeet basés sur le décodeur RNN Transducer/Connectionist Temporal Classification et ayant 0,6 à 110 millions de paramètres. Ils sont capables de gérer un large éventail d’environnements audio et, après s’être entraînés sur seulement 64 000 heures d’ensembles de données, ils obtiennent d’excellentes performances en matière de taux d’erreur de mots (WER) sur l’ensemble de données Benchmark, surpassant les modèles précédents. Selon les développeurs, les modèles sont robustes aux segments non vocaux tels que la musique et la sourdine, et surpassent Whisper v3 d’OpenAI dans les tests de référence. Ils offrent également une intégration conviviale dans le projet avec des points de contrôle pré-entraînés.

Selon IT House, la Federal Trade Commission (FTC) des États-Unis a récemment annoncé une ordonnance de prime pour trouver un moyen de distinguer si un son est produit par un vrai humain ou généré par l’IA. Selon la FTC, les participants peuvent s’articuler autour des trois points suivants : la prévention ou l’authentification : un moyen de restreindre l’utilisation ou l’application d’un logiciel de clonage vocal par des utilisateurs non autorisés, la détection ou la surveillance en temps réel : un moyen de détecter les voix clonées ou d’utiliser la technologie de clonage vocal doit être fourni, et l’évaluation de suivi : un moyen de vérifier si les clips audio contiennent des voix clonées. Le grand gagnant du concours recevra 25 000 $ et le finaliste recevra 4 000 $, avec jusqu’à trois mentions honorables (une pour chaque point d’intervention) chacune de 2 000 $.

Selon un rapport de Jin Shi du 18 décembre, le rapport de recherche de Southwest Securities a souligné que les appareils intelligents, en tant que vecteur de l’IA pour atteindre les utilisateurs, les terminaux d’IA apporteront un nouveau cycle d’innovation dans l’industrie. Le développement de l’IA est en train de passer d’une conduite logicielle à une conduite parallèle matérielle + logicielle, et les appareils intelligents, en tant que support ultime de l’IA pour atteindre les utilisateurs, deviennent une percée importante dans le développement et la mise en œuvre futurs de l’IA. Depuis le second semestre 2023, les fabricants de terminaux et de puces ont commencé à déployer intensivement l’IA côté appareil, et l’intégration de modèles d’IA avec les téléphones mobiles, les PC, les appareils portables, la XR, etc., apportera des innovations logicielles, matérielles et écologiques perdues depuis longtemps à l’industrie des terminaux, produira des méthodes d’interaction et des expériences audio et visuelles innovantes, et le rideau de l’IA côté appareil a été ouvert.

PANews a rapporté le 6 décembre que, selon Cointelegraph, le premier enregistrement studio de Michael Jackson « Big Boy (One-Derful Version) », qui a été gardé secret pendant près de 50 ans, sortira sous forme de « disque vinyle numérique » le 7 décembre via la plate-forme musicale blockchain Anotherblock, et la chanson sera accessible via le lecteur de la plate-forme avec les images de la bande maîtresse et la bande originale de la chanson. Les éditions ouvertes et limitées seront disponibles dans les 48 heures. Cet enregistrement, qui date du 13 juillet 1967, enregistre le premier enregistrement de Michael Jackson, âgé de 8 ans, et de ses frères aux studios One-Derful de Chicago. L’offre est le résultat d’un partenariat entre le propriétaire d’enregistrements Recordpool et Anotherblock, une place de marché suédoise de musique et de redevances blockchain.

Selon Pinwan, la page Arxiv montre qu’Alibaba a récemment publié un modèle de langage audio appelé Qwen-Audio. Le modèle est conçu pour atteindre une compréhension audio universelle en élargissant le pré-entraînement au langage audio pour couvrir plus de 30 tâches et divers types audio, tels que les voix humaines, les sons de la nature, la musique et les chansons. Des recherches ont montré que Qwen-Audio atteint des performances significatives sur un large éventail de tâches de référence sans avoir besoin d’un réglage fin spécifique à la tâche.

Golden Finance a rapporté que récemment, dans l’affaire de la vente et de l’achat illégaux par Wu de matériel de fabrication de drogue géré par le parquet de la ville de Sanming de la province du Fujian, le tribunal a conclu que l’affaire était en effet une situation statutaire d’une « personne ayant des connaissances spécialisées comparaissant devant le tribunal pour témoigner », mais Zhan ayant des connaissances spécialisées n’était en effet pas en mesure d’assister au procès sur les lieux pour des raisons objectives, et le travail devait être achevé dans une scène numérique inter-réseaux connectée au réseau externe et à l’intranet du tribunal en même temps, et il était nécessaire de répondre à son apparence. Le son et les autres renseignements personnels ne doivent pas être divulgués, et les enregistrements audio et vidéo synchrones des témoignages peuvent satisfaire aux exigences en matière de vérification de l’authenticité et à d’autres exigences en matière de contre-interrogatoire lorsque la source ne peut être retracée au moyen de l’identification par empreinte vocale et d’autres méthodes. Le tribunal a activement utilisé la pensée numérique de la poursuite pour recommander au tribunal de stocker les enregistrements audio et vidéo simultanés des personnes ayant des connaissances spécialisées dans l’affaire qui ont dissimulé leur identité et témoigné sur le réseau sur la blockchain avant le procès, et le tribunal a adopté la suggestion. Cette pratique constitue une référence efficace pour la pratique consistant à dissimuler son identité pour témoigner devant un tribunal dans le cadre d’une procédure pénale.