RTF.
123 миллиона параметров и один микрофон. На что способна маленькая модель распознавания речи?
Представьте: вы запускаете программу, говорите несколько слов в микрофон, а на экране практически сразу появляется текст.Всё работает. Никаких серверов, отправки аудиозаписей в облако и ожидания ответа от удалённой модели.Но есть нюанс.Короткая демонстрационная фраза и десять минут непрерывной речи — совершенно разные задачи.Меня заинтересовал именно этот разрыв. Можно ли взять относительно небольшую модель распознавания речи, запустить её локально и получить систему, которая будет успевать обрабатывать живую речь?Для эксперимента выбрал Moonshine Voice.Лунный свет?
