Tugas pembuatan teks audio otomatis (AAC) mendapatkan perhatian karena memungkinkan mesin menafsirkan dan berinteraksi dengan lingkungan akustik sekitarnya. Sejak tahun 2020, lebih dari 26 tim dari seluruh dunia telah berpartisipasi dalam kompetisi AAC tahunan, yang diselenggarakan oleh komunitas Detection and Classification of Acoustic Scenes and Events (DCASE). Tim-tim ini, dengan latar belakang akademisi dan industri, berfokus pada peningkatan arsitektur encoder-decoder yang membentuk tulang punggung sistem AAC.

Carnegie Mellon University (CMU) dan NVIDIA berkolaborasi dalam pendekatan inovatif terhadap DCASE 2024 AAC Challenge di Tokyo. Proposal mereka memperkenalkan beberapa encoder audio ke dalam arsitektur untuk menangkap dan mendeskripsikan fitur audio yang lebih kaya. Strategi multi-encoder ini dilengkapi dengan perintah aktivasi tugas berbasis model bahasa (LM) untuk meningkatkan proses pengeditan pasca-informasi. Profesor Shinji Watanabe dari Institut Teknologi Bahasa CMU menyoroti kolaborasi ini dan kontribusinya terhadap komunitas pemahaman audio dan bahasa.

Pendekatan tim CMU-NVIDIA juga mencakup kolaborasi multi-agen antara model encoder yang berbeda, yang membantu meningkatkan kinerja. Dengan mengintegrasikan encoder dengan granularitas berbeda, seperti BEAT dan ConvNeXt, sistem ini mencapai cakupan fitur audio yang lebih komprehensif. Strategi ini mirip dengan penelitian AI multimodal baru-baru ini di mana penggabungan agen khusus memberikan hasil yang lebih unggul. Sistem tim juga menggabungkan pengayaan berbasis hipotesis teks, memanfaatkan teknik evaluasi GenTranslate dan Generative Image Captioning (GIC) dari NVIDIA Research.

Kinerja sistem AAC telah ditingkatkan secara signifikan melalui penggunaan teknologi komputer NVIDIA yang canggih, termasuk cluster superkomputer Taipei-1. Sistem multi-encoder mencapai skor FENSE (Fluency Enhanced Sentence-BERT Evaluation) sebesar 0,5442, yang melampaui skor dasar sebesar 0,5040. Keberhasilan ini menunjukkan potensi sistem multi-agen dan multi-modal untuk meningkatkan pemahaman umum. Penggunaan model bahasa berskala besar untuk koreksi teks merupakan inovasi penting, yang memungkinkan model menyaring informasi tersembunyi dalam ucapan. Teknologi GPU canggih NVIDIA, termasuk GPU A100 dan H100, telah memainkan peran penting dalam mempercepat pengembangan AI dan memperluas kemungkinan pembelajaran multimodal.