discurso a discurso
Un modelo que escucha audio y responde con audio directamente, sin convertir tus palabras en texto en el medio.
Los asistentes de voz más antiguos trabajaban en tres pasos: convertir su discurso en texto, enviar ese texto a un modelo de lenguaje y luego leer la respuesta en voz alta con una voz separada. Un modelo de habla a voz lo hace todo por sí solo. Toma el sonido y lo produce, lo que elimina dos transferencias y el retraso que las acompaña.
La diferencia es fácil de escuchar. Debido a que nada se convierte en texto a lo largo del camino, el modelo puede captar el tono, las interrupciones y el hecho de que comenzaste una oración de nuevo, y puede comenzar a responder antes de que hayas terminado. Es por eso que un asistente de habla a voz se siente como una llamada telefónica, mientras que los mayores sienten como tomar turnos con un walkie talkie.