معرفی مونسترهاوس: خانه‌ای پرخاشگر اما مهربان
شرکت نیدیا اخیراً یک پروژه خلاقانه به نام "مونسترهاوس" (MonsterHouse) را منتشر کرده است. این اثر یک نمایش تعاملی پروژکشن است که مبتنی بر پلتفرم‌های هوش مصنوعی نیدیا ساخته شده. هدف از این کار، ایجاد یک تجربه منوگانه و منحصر به فرد برای کودکان در روزهای هالووین بود. در این نمایش، خود خانه نقش یک شخصیت اصلی را بازی می‌کند که با عروس‌گردان‌ها صحبت می‌کند.
تکنولوژی‌های به کار رفته در ساخت این شخصیت
این شخصیت هوشمند بر پایه مجموعه‌ای از مدل‌های متن باز نیدیا بنا شده است. زیرساخت اصلی گفتگو توسط "نِمترون ویس آژنت" (Nemotron Voice Agent) فراهم می‌شود. برای تبدیل گفتار به نوشتار، از مدل ASR نیدیا استفاده شده است. پردازش سبک‌وزن برای ویکتوری و پاسخ‌دهی توسط مدل Nemotron 3.5 Bolt E4B با حجم تنها ۴ گیگابایت انجام می‌شود. در نهایت، برای تولید صدا از تکنولوژی Magpie TTS Zeroshot و برای انیماسیون چهره از Audio2Face-3D بهره گرفته شده است. نکته جالب توجه این است که کل این سیستم در یک ایستگاه کاری (Workstation) واحد اجرا می‌شود.
- استفاده از مدل‌های کانستون برای پردازش صوت و متن
- اجرا روی یک سخت‌افزار واحد و کارآمد
- پرسش‌کردار و شخصیت‌پردازی با سطح بالایی از خلاقیت
- پاسخ‌گویی به تنوع فرکانس‌های انسانی در محیط واقعی
عملکرد شخصیت و تعامل با مخاطب
شخصیت مونسترهاوس با صدای یک قوقوق خرسند و قدیمی از یک قایق کاپیتان صحبت می‌کند. این ایگیت در حالت اولیه بیشتر از آن‌که ترسناک باشد، بدبین و خشن است. اما یک ویژگی جالب در طراحی آن وجود دارد: وقتی کارگردانان به او یادآوری می‌کنند که از کلمات مؤدبانه مانند "لطفاً" استفاده کنند، این شخصیت ملایم‌تر می‌شود و رفتار دوستانه‌تری از خود نشان می‌دهد. این رویکرد نشان‌دهنده توانایی هوش مصنوعی در درک زمینه‌های اجتماعی و تنظیم لحن مکالمه بر اساس ورودی‌های کاربر است.
پرسش‌های پرتکرار
چه مدل‌های هوش مصنوعی در ساخت مونسترهاوس استفاده شده است؟
این پروژه از خط لوله‌ای شامل Nemotron Voice Agent، Nemotron ASR، Nemotron 3.5 Bolt E4B، Magpie TTS Zeroshot و Audio2Face-3D استفاده می‌کند.
آیا این سیستم به کلاینت ابری نیاز دارد؟
خیر، طبق منبع خبر، کل سیستم در یک ایستگاه کاری (Workstation) واحد و به صورت محلی اجرا می‌شود.
