⚡️ معرفی OLMoASR؛ مدل‌های باز تشخیص گفتار از AI2

مؤسسه هوش مصنوعی آلن (AI2) خانواده‌ای از مدل‌های تشخیص خودکار گفتار (ASR) به نام OLMoASR منتشر کرده است.

🎙️ مدل‌ها:

🟢 OLMoASR-tiny.en (۳۹M)

🟢 OLMoASR-base.en (۷۴M)

🟢 OLMoASR-small.en (۲۴۴M)

🟢 OLMoASR-medium.en (۷۶۹M)

🟠 OLMoASR-large.en-v1
(۱.۵B، آموزش‌دیده بر روی ۴۴۰ هزار ساعت صوت)

🟠 OLMoASR-large.en-v2
(۱.۵B، آموزش‌دیده بر روی ۶۸۰ هزار ساعت صوت)


📊 در تست روی ۲۱ دیتاست، عملکرد این مدل‌ها با Whisper از OpenAI قابل مقایسه بوده و در بعضی موارد، به‌ویژه روی فایل‌های صوتی طولانی، حتی از آن هم بهتر عمل کرده‌اند.

🔓 پروژه کاملاً اپن‌سورس است:

♻️انتشار وزن مدل‌ها
♻️دیتاست و کد پردازش داده‌ها
♻️اسکریپت‌های آموزش و ارزیابی
♻️همه در GitHub و Hugging Face در دسترس هستند.


📌 لایسنس: Apache 2.0

🟡 مقاله
🟡 مجموعه مدل‌ها
🟡 گزارش فنی
🟡 دمو
🖥 GitHub

#هوش_مصنوعی #تشخیص_گفتار #ASR #AI2 #OLMoASR #AI_industrial_news

@rss_ai_ir

🚀 پرامپت خلاقانه nana-banana

🔬 این پرامپت هر تصویر ساده‌ای را به یک شبیه‌سازی علمی تونل باد (CFD visualization) تبدیل می‌کند.


✨ ویژگی‌ها:
پوشش کامل سوژه با گرادیان رنگی (آبی→سبز→زرد→قرمز) مثل نقشه سرعت جریان
باد همیشه از چپ به راست 🌬 و سوژه باید رو به چپ باشد
نمایش میدان فلش‌های متراکم (Quiver Plot) و خطوط جریان خمیده دور سوژه
سطح زمین ساده با گرادیان نارنجی→زرد و خطوط موازی
پس‌زمینه سفید روشن، بدون برچسب و اضافات


🎯 کاربردها:
آموزش آیرودینامیک ✏️
اسلایدهای پژوهشی 📊
هنر دیجیتال علمی-فانتزی 🎨
سرگرمی و تصاویر سوررئال 🌈


💡 نکته: برای خروجی دقیق‌تر، دمای مدل (Temperature) را 0 بگذارید.
@rss_ai_ir

Keep the main subject and camera exactly. Convert the scene to a scientific CFD wind-tunnel visualization.
Wind: left → right. SUBJECT MUST FACE LEFT (into the wind); if not, rotate/flip to face left.
REPLACE ALL subject materials with a smooth rainbow false-color gradient (blue→green→yellow→red) to mimic velocity contours; 100% coverage—no original texture visible.
Overlay a dense QUIVER ARROW FIELD across the entire frame, over both ground and subject: thin, high-contrast arrows with clear arrowheads, base flow left→right; arrows bend around the subject; arrow length scales with local speed; spacing ~5–10 px so arrows are unmistakable. Add several long streamlines with arrowheads that curve around the body.
Ground plane: simple flat surface with orange→yellow gradient plus thin, parallel hatch lines; subtle contact shadow under the subject; bright/white background; crisp edges.
Aesthetic: scientific render (ParaView/Tecplot style), sharp anti-aliased lines, not cartoonish, no labels/numbers/axes/logos, no extra objects.
MANDATORY: upwind-facing subject, full gradient coverage, and clearly visible arrowheads over subject and ground.

🏓🤖 ربات پینگ‌پنگ‌باز خودران از برکلی

دانشجویان دانشگاه برکلی یک ربات انسان‌نما طراحی کرده‌اند که می‌تواند کاملاً خودکار در مسابقات پینگ‌پنگ شرکت کند. اگر سال گذشته در پروژه‌ی DeepMind فقط یک بازوی رباتیک دیدیم، این بار یک گومانوید کامل با توانایی حرکت و هماهنگی بدن وارد میدان شده است.

🔑 مکانیزم کار HITTER (HumanoId Table TEnnis Robot):

1️⃣ برنامه‌ریز سطح بالا (مغز)

✳️با کمک دوربین‌های خارجی، پرواز توپ را دنبال می‌کند.
✳️مسیر حرکت توپ را پیش‌بینی کرده و محاسبه می‌کند که در چه نقطه‌ای، با چه سرعت و در چه زمان باید ضربه بزند.


2️⃣ کنترلر سطح پایین (بدن)

✳️سیگنال‌های برنامه‌ریز را گرفته و آن‌ها را به حرکات واقعی دست، پا، تنه و مفاصل تبدیل می‌کند.
✳️این بخش با الگوریتم PPO روی داده‌های حرکت انسان آموزش داده شده است، بنابراین ضربات ربات طبیعی و شبیه انسان هستند: قدم برمی‌دارد، تنه می‌چرخاند و مثل بازیکن واقعی راکت را می‌چرخاند.


📊 نتایج عملکرد

✳️92.3٪ موفقیت در برگشت توپ‌ها (فقط یک خطا در هر 26 توپ).
✳️در یک آزمایش، ربات توانست 106 ضربه‌ی متوالی را بدون خطا ادامه دهد.
✳️زمان واکنش: 0.42 ثانیه از لحظه ضربه‌ی حریف تا پاسخ ربات.


🎯 در کل، این یک گام بزرگ در رباتیک ورزشی است. حالا سؤال اینجاست:
آیا روزی می‌توانیم چنین رباتی را برای یک آخر هفته اجاره کنیم و باهاش پینگ‌پنگ بازی کنیم؟ 😅

🔗 مشاهده مقاله