Siirrymme vihdoin puheesta tekstiin ympäristöstä kontekstiin!! tavalliset ääniavustajat käyttävät ASR-putkea (puheentunnistus), joka poistaa 90 % akustisesta kontekstista. mitä OpenHome näyttää, käyttää todennäköisesti natiiveja äänimuuntajia tai CLAP (Contrastive Language-Audio Pretraining) -upotuksia raakaäänispektrogrammien jatkuvaan käsittelyyn. se havaitsee akustiset tapahtumat (AED) ja paralingvistiset vihjeet (huokaus, sävy) pelkkien sanojen sijaan. Lisää nyt aina päällä oleva kamerakuva visuaalisilla muuntajilla, ja annat agentillesi silmät, jotka vastaavat sen tilallista kuuloa. Aito multimodaalinen anturifuusio voi tehdä manuaalisesta kehotuksesta tarpeettomaksi Ihan vain ajateltavaa