Как устроены voice-2-voice модели
Речь входит — речь выходит. Что внутри voice-2-voice моделей: как нейронный кодек превращает звук в токены, почему каскад ASR → LLM → TTS проигрывает миллисекунды и как Moshi умудряется поддакивать, пока вы говорите. Без магии, с примерами на Swift. Читать далее