Moshi作者回顾早期语音模型训练

Moshi语音模型作者neilzegh回忆，团队两年前曾用约2000小时、来自90年代末至2000年代初电话录音的Fisher数据集训练早期checkpoint，生成带有年代感、像随机对话者的语音模型。 他表示，如今已可获得数十万小时的全双工对话数据，并据此认为全双工语音对话存在明显的scaling law，即扩大此类数据规模可能带来相应能力提升。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。