# Meta AI-მ გამოუშვა Spirit LM ღია მულტიმოდალური არქიტექტურა ექსპრესიული მეტყველებისა და ტექსტისთვის

Source: TechNewsList (https://technewslist.com)
Canonical URL: https://technewslist.com/ka/article/meta-ai-releases-spirit-lm-open-multimodal-model-expressive-spe-2026-10-25-ni-ka
Section: AI (https://technewslist.com/ka/ai)
Author: TechNewsList
Language: ka
Published: 2026-10-25T17:57:32.58+00:00
Updated: 2026-10-25T17:57:32.820934+00:00

> Meta Fundamental AI Research ღია წყაროები Spirit LM, ექსპრესიული მულტიმოდალური საძირკვლის მოდელი, რომელიც აერთიანებს მეტყველებისა და ტექსტის ჟეტონებს ვოკალური სიმაღლის, ემოციებისა და საუბრის ტონის შესანარჩუნებლად.

## TL;DR
- Meta FAIR გამოუშვა Spirit LM, როგორც ღია წონის მულტიმოდალური ენის საფუძვლის მოდელი.
- სისტემა ბუნებრივად აერთიანებს უწყვეტ სამეტყველო ერთეულებს დისკრეტულ ტექსტურ ნიშნებთან.
- ღია კვლევისთვის გამოქვეყნებულია ორი ვერსია, Spirit LM Base და Spirit LM Expressive.

## Key points
- Spirit LM გადალახავს ემოციური ტონის ტრადიციულ დაკარგვას უშუალოდ ერთობლივი მეტყველებისა და ტექსტის ჟეტონებზე ვარჯიშით.
- ექსპრესიული ვარიანტის მოდელების სიმაღლე, საუბრის სტილი და ვოკალური ასახვა ცალკე ტექსტის მეტყველების ძრავების გარეშე.
- არქიტექტურა ეფუძნება HuBERT აკუსტიკური წარმოდგენების და 7 მილიარდი პარამეტრის წინასწარ მომზადებულ ტექსტურ ტრანსფორმატორს.
- საორიენტაციო შეფასებები აჩვენებს უმაღლესი მეტყველების ბუნებრიობას, ხმის შენარჩუნებას და საუბრის პროსოდიას.
- ღია მოდელის წონა მკვლევარებს აძლევს გამჭვირვალე ინსტრუმენტებს ემპათიური სასაუბრო AI ინტერფეისების შესაქმნელად.

## რა მოხდა

Meta Fundamental AI Research Group-მა გამოაცხადა Spirit LM-ის ღია კოდის გამოქვეყნება, საძირკვლის მოდელის არქიტექტურა, რომელიც შექმნილია სალაპარაკო აუდიოსა და წერილობითი ტექსტის შეუფერხებლად გადარევისთვის ერთიანი გენერაციული ენის ჩარჩოში. ჩვეულებრივი ხმოვანი ინტერფეისებისგან განსხვავებით, რომლებიც აერთიანებს მეტყველების დამუშავებას მეტყველების ტექსტში ტრანსკრიფციას, ტექსტის გენერირებას და ტექსტიდან მეტყველების სინთეზის მოდულებს, Spirit LM ამუშავებს უწყვეტ აუდიო ნაკადებს და ტექსტურ ჟეტონებს ბუნებრივად ერთიანი ტრანსფორმატორის ხერხემალში.

კვლევის გამოშვება მოიცავს ორ განსხვავებულ მოდელის კონფიგურაციას: Spirit LM Base და Spirit LM Expressive. საბაზისო არქიტექტურა ფოკუსირებულია ფონეტიკურ ტრანსკრიფციაზე და ძირითად სამეტყველო გაგებაზე, ხოლო ექსპრესიული მოდელი აერთიანებს სპეციალურ აკუსტიკური ნიშნებს, რომლებიც წარმოადგენენ ვოკალურ სიმაღლეს, რიტმს, ემოციურ ტონს და ვოკალურ ინტენსივობას. მოდელის გამშვები პუნქტების და კვლევის კოდის ღია წყაროს მიწოდებით, Meta უზრუნველყოფს სამეცნიერო და პროგრამული უზრუნველყოფის განვითარების საზოგადოებებს პირდაპირ წვდომაზე, რათა შეამოწმონ, დააზუსტონ და შეაფასონ სალაპარაკო ენის საფუძვლების მოდელები ბოლომდე, საკუთრების API შეზღუდვების გარეშე.

განვითარება აღნიშნავს მნიშვნელოვან ტექნიკურ ეტაპს მულტიმოდალური საფუძვლების კვლევაში, გადაადგილდება სასაუბრო ხელოვნური ინტელექტის მიღმა მონოტონური რობოტული სინთეზირებული თხრობისკენ ემპათიური, კონტექსტში გაცნობიერებული მეტყველების გენერირებისკენ, რომელიც ბუნებრივად რეაგირებს ადამიანის ვოკალურ სიგნალებზე.

## რატომ არის მნიშვნელოვანი

ათწლეულების განმავლობაში, კომერციული ხმოვანი ასისტენტები და სასაუბრო ხელოვნური ინტელექტის სისტემები განიცდიდნენ ექსპრესიულ გათიშვას, რომელიც გამოწვეული იყო კასკადური არქიტექტურული მილსადენებით. როდესაც აკუსტიკური მეტყველების სიგნალი გადაიწერება წერილობით ტექსტში, კრიტიკული პარალინგვისტური მეტამონაცემები - როგორიცაა ირონია, ყოყმანი, სიხარული, მწუხარება და აქცენტი - იშლება მანამ, სანამ ენის მოდელი არ დაამუშავებს შეყვანას. ანალოგიურად, როდესაც ენის მოდელი გამოსცემს ტექსტს, მეტყველების სინთეზის ქვედა დინების ძრავებმა უნდა შექმნან ვოკალური პროსოდიები ნულიდან, ხშირად აწარმოებენ ბრტყელ, ხელოვნურ კადენციას.

Spirit LM აღმოფხვრის ამ კომუნიკაციის დაკარგვას აკუსტიკური მეტყველების ნიშნებს, როგორც წერილობითი ლექსიკის სიტყვების თანაბარ პარტნიორებად. ორივე მოდალობის ერთობლივი მოდელირებით ნერვულ ქსელის შრეებში, სისტემას შეუძლია აღმოაჩინოს დახვეწილი ემოციური გადახრები მოსაუბრეს ხმაში და წარმოქმნას შესაბამისი სამეტყველო პასუხები, რომლებიც შეესაბამება შესაბამის საუბრის განწყობას.

![მენლო პარკის ტექნოლოგიური კამპუსის საჰაერო პერსპექტივა, სადაც განთავსებულია ფართომასშტაბიანი AI კლასტერული ინფრასტრუქტურა მულტიმოდალური მოდელის ტრენინგისთვის](https://rkhynbcsbnkkcwgexzwg.supabase.co/storage/v1/object/public/media/api/1792950023878-bbf7kq-meta-ai-releases-spirit-lm-open-multimodal-model-expressive-spe-2026-10-25-night-inside-1-ea7d23c5de.webp)

ეს არქიტექტურული ნახტომი განსაკუთრებით მნიშვნელოვანია ვირტუალური ასისტენტებისთვის, ციფრული მასწავლებლებისთვის, რეალურ დროში ხელმისაწვდომობის თარგმნისთვის და მომხმარებელთა მოვლის პლატფორმებისთვის. იმის ნაცვლად, რომ დაეყრდნოთ ხისტ ემოციურ ტეგებს ან წინასწარ ჩაწერილ აუდიო ფრაგმენტებს, დეველოპერებს ახლა შეუძლიათ შექმნან ხმოვანი აგენტები, რომლებიც ბუნებრივად აზიარებენ კომფორტს, სასწრაფოობას, იუმორს ან ჭვრეტას, დაფუძნებული მხოლოდ ნასწავლი მულტიმოდალური ენის წარმოდგენაზე.

## ტექნიკური დეტალები

Spirit LM-ის ტექნიკური ხერხემალი იწყება 7 მილიარდი პარამეტრით წინასწარ გაწვრთნილი ავტორეგრესიული ტრანსფორმატორით, რომელიც გაფართოვებულია მრავალ ნიშანდობლივი ლექსიკის დასამუშავებლად. უწყვეტი აუდიო ტალღების გარდაქმნის დისკრეტულ ნიშნებად, რომლებსაც ტრანსფორმატორს შეუძლია დაამუშავოს, Meta იყენებს HuBERT აკუსტიკური მეტყველების ერთეულის შიფრებს. მეტყველება დაყოფილია დისკრეტულ ფონეტიკურ ნიშნებად, კვანტიზებული სიმაღლისა და მოცულობის წარმომადგენლობით, რომლებიც შერჩეულია რეგულარული დროითი ინტერვალებით.

Spirit LM ექსპრესიულ არქიტექტურაში, თითოეული წარმოთქმული ფრაზა ტოკენიზირებულია სიტყვის დონის სემანტიკურ ნიშნებად, აკუსტიკური სტილის ერთეულებთან ერთად. მოდელი იყენებს ურთიერთდაკავშირებულ სასწავლო პროგრამას, რომელიც მოიცავს ფართომასშტაბიან დაწყვილებულ მეტყველება-ტექსტის მონაცემთა ნაკრებებს, დაუწყვილებელ აუდიო არქივებს და მასიური ვებ-მასშტაბის ტექსტურ კორპუსებს. ეს საშუალებას აძლევს მოდელს შეასრულოს ორმხრივი ჯვარედინი მოდალური ამოცანები, მათ შორის მეტყველების თარგმანი, მეტყველების ტექსტის ტრანსკრიფცია, ტექსტის სიტყვის სინთეზი და მულტიმოდალური სალაპარაკო კითხვაზე პასუხის გაცემა.

![აკუსტიკური მეტყველების სპექტროგრამა და ტალღის ფორმის ვიზუალიზაცია, რომელიც აჩვენებს ფონეტიკური და ბგერის ტოკენიზაციას, რომელიც გამოიყენება Spirit LM-ში](https://rkhynbcsbnkkcwgexzwg.supabase.co/storage/v1/object/public/media/api/1792950026116-u0lhb8-meta-ai-releases-spirit-lm-open-multimodal-model-expressive-spe-2026-10-25-night-inside-2-5b1bbb20c2.webp)

ადამიანის მოსმენის მკაცრი შეფასებების დროს, Spirit LM Expressive-მ აჩვენა აშკარა უპირატესობა მეტყველების არსებულ ღია კოდის მოდელებთან შედარებით ვოკალურ ბუნებრივობაში, ტონის თანმიმდევრულობასა და ემოციურ შესაბამისობაში. ჯვარედინი მოდალური გაგების საორიენტაციო შეფასებებმა აჩვენა, რომ გადანაწილებულმა წარმოდგენამ შეინარჩუნა სპიკერის იდენტურობა, ხოლო შენარჩუნებული იყო ნულოვანი ამოცანის განზოგადება უხილავ ხმებში.

## გავლენა ბაზარზე და ინდუსტრიაზე

Spirit LM-ის ღია კოდის გამოშვება პირდაპირ აპროტესტებს ინდუსტრიის კონკურენტების მიერ შემუშავებულ მულტიმოდალურ ხმის სისტემებს, მათ შორის OpenAI Advanced Voice Mode და Google Gemini Live მეტყველების ძრავებს. მიუხედავად იმისა, რომ კომერციული ჰიპერსკალერები ზღუდავენ თავიანთ ხმის მოდელებს დაცული ღრუბლოვანი API-ების მიღმა მრიცხველი ტოკენის ფასით, Meta-ს გაგრძელების სტრატეგია ღია მოდელების გამოშვების საშუალებას აძლევს საწარმოს დეველოპერებს შეუზღუდავი წვდომით, რათა განათავსონ მოდელები კერძო ინფრასტრუქტურაზე.

ეს ღია წონის პარადიგმა ქმნის ნაყოფიერ ნიადაგს ხმოვანი AI სტარტაპებისთვის, რომლებიც საჭიროებენ დომენის ღრმა პერსონალიზაციას, როგორიცაა ჯანდაცვის ტელეჯანმრთელობის ასისტენტები, სატრანსპორტო საშუალებების საინფორმაციო-გასართობი სისტემები და ინტერაქტიული ვიდეო თამაშების არამოთამაშის პერსონაჟები. განვითარების გუნდებს შეუძლიათ დაარეგულირონ Spirit LM საკუთრების სასაუბრო მონაცემთა ნაკრებებზე, მესამე მხარის გარე სერვერებზე მგრძნობიარე ხმის ჩანაწერების გაგზავნის გარეშე.

ამავდროულად, გამოშვება აძლიერებს დაკვირვებას სინთეზური ხმის წარმოქმნისა და ბიომეტრიული უსაფრთხოების გარშემო. რამდენადაც მეტყველების სინთეზი სულ უფრო ექსპრესიული ხდება და ძნელია განასხვავოს ნამდვილი ადამიანის მეტყველებისგან, ფინანსურმა ინსტიტუტებმა და ციფრული გადამოწმების პლატფორმებმა უნდა დააჩქარონ კრიპტოგრაფიული ხმის წყალმომარაგების და მულტიმოდალური სიცოცხლისუნარიანობის გამოვლენა.

## რას უნდა დავაკვირდეთ შემდეგ

მომავლის ყურებით, საწარმოს მკვლევარები შეაფასებენ რამდენად ეფექტურად შეიძლება Spirit LM ოპტიმიზირებული იყოს რეალურ დროში მობილურ პროცესორებზე და საავტომობილო გამოთვლით პლატფორმებზე. ამჟამინდელი 7 მილიარდი პარამეტრიანი არქიტექტურა მოითხოვს მნიშვნელოვან GPU მეხსიერებას, რაც სტიმულს ქმნის კვანტიზაციის, გასხვლისა და გამოხდილი მსუბუქი ვარიანტებისთვის.

ინდუსტრიის დამკვირვებლები ასევე ელიან Spirit LM-ის საზოგადოების ადაპტაციას მრავალენოვანი მონაცემთა ნაკრების მიხედვით, რადგან საწყისი ტრენინგი ძირითადად კონცენტრირებულია ინგლისური მეტყველების ნიმუშებზე. როდესაც ღია კოდის მონაწილეები ავრცელებენ აკუსტიკური ტოკენიზაციის მილსადენის მრავალფეროვან გლობალურ ენებსა და აქცენტებს, ურთიერთდაკავშირებული მულტიმოდალური მოდელები მზად არიან ხელახლა განსაზღვრონ ადამიანი-მანქანის ხმოვანი კომუნიკაციის სტანდარტული არქიტექტურა.

## წყაროები

- [Meta AI Research Publications](https://ai.meta.com/research/publications/spirit-lm-interleaved-spoken-and-written-language-model/)
- [VentureBeat ხელოვნური ინტელექტის მაგიდა](https://venturebeat.com/ai/meta-open-sources-spirit-lm-multimodal-speech-model/)
- [SiliconANGLE Enterprise Cloud Coverage](https://siliconangle.com/2024/10/18/meta-open-sources-spirit-lm-ai-model-combines-speech-text/)

Mentions: Meta FAIR, Spirit LM, Multimodal Speech Model, Acoustic Tokenization, HuBERT

## Sources
- [Meta AI Research Publications](https://ai.meta.com/research/publications/spirit-lm-interleaved-spoken-and-written-language-model/)
- [VentureBeat ხელოვნური ინტელექტის მაგიდა](https://venturebeat.com/ai/meta-open-sources-spirit-lm-multimodal-speech-model/)
- [SiliconANGLE Enterprise Cloud Coverage](https://siliconangle.com/2024/10/18/meta-open-sources-spirit-lm-ai-model-combines-speech-text/)