Meta FAIR presentó Spirit LM, el primer modelo de lenguaje fundacional de código abierto capaz de procesar y generar texto y habla de manera intercalada y totalmente unificada, superando la tradicional separación entre modelos acústicos y de lenguaje. Entrenado sobre un vocabulario mixto que combina tokens de texto fonético y tokens de audio discretos (Spirit-Base) o tokens de tono y emoción adicionales (Spirit-Expressive), el modelo no sólo comprende el significado literal de las palabras sino que reproduce matices afectivos humanos como sorpresa, ironía, entusiasmo o tristeza, alternando entre hablar y escribir en un mismo turno conversacional sin pérdida de prosodia.
Capítulo 01
La noticia en una frase
Meta lanza Spirit LM, modelo fundacional de pesos abiertos que entrelaza texto y voz para generar habla expresiva con control de tono, emoción y estilo.
En evaluaciones rigurosas de modelado de lenguaje hablado y reconocimiento de emociones, Spirit-Expressive superó ampliamente a los sistemas de conversión texto-a-voz convencionales (TTS) en tareas de completado cruzado texto-audio, preservando la emoción del hablante con una fidelidad superior al 87% según jueces humanos expertos.
Capítulo 02
