KAIST usa un modelo de lenguaje de difusión para reducir al 19,4% el error de palabras en lectura de labios
El equipo del profesor Ro Yong-man descifra primero las palabras más claras y completa las ambiguas con el contexto; en el conjunto LRS3 de 433 horas logró un 19,4% de WER, que dice ser el menor entre métodos entrenados solo con LRS3.
Datos clave
- Equipo: prof. Ro Yong-man, Escuela de Ingeniería Eléctrica de KAIST
- Método: modelo de lenguaje de difusión para reconocimiento visual del habla
- Referencia: LRS3, 433 horas de vídeo
- Resultado: 19,4% de tasa de error de palabras
- Siguiente meta: modelos más pequeños en dispositivo