Rede zu Rede
Ein Modell, das Audio abhört und direkt mit Audio antwortet, ohne Ihre Wörter zwischendurch in Text umzuwandeln.
Ältere Sprachassistenten funktionierten in drei Schritten: Sie wandeln Ihre Sprache in Text um, senden diesen Text an ein Sprachmodell und lesen die Antwort dann mit einer separaten Stimme laut vor. Ein Speech-to-Speech-Modell erledigt das Ganze selbst. Es nimmt den Ton auf und erzeugt ihn wieder, wodurch zwei Übergaben und die damit verbundene Verzögerung entfallen.
Der Unterschied ist leicht zu hören. Da dabei nichts in Text umgewandelt wird, kann das Modell den Tonfall, Unterbrechungen und die Tatsache, dass Sie einen Satz von vorne begonnen haben, erkennen und mit der Antwort beginnen, bevor Sie ganz fertig sind. Aus diesem Grund fühlt sich ein Sprachassistent wie ein Telefonanruf an, während ältere Menschen das Gefühl haben, sich mit einem Walkie-Talkie abzuwechseln.