Az AI cég, a Sesame bemutatta azt az alapmodellt, amely a Maya impresszíven élethű hangasszisztensét működteti. Ez a modell, amely 1 milliárd paraméterből áll (ahol a "paraméterek" a modell különböző összetevőit jelentik), Apache 2. 0 licenc alatt kerül kiadásra, lehetővé téve a kereskedelmi használatot minimális korlátozásokkal. CSM-1B névre keresztelt modellt a Sesame a Hugging Face AI fejlesztési platformján úgy írja le, hogy "RVQ audio kódokat" állít elő szöveges és audió bemenetekből. Az RVQ a "reziduális vektor kvantálás" rövidítése, amely egy módszer az audió kódolt diszkrét tokenek, azaz kódok előállítására. Ezt a technikát különböző kortárs AI audió technológiákban alkalmazzák, beleértve a Google SoundStream-jét és a Meta Encodec-jét. A CSM-1B a Meta Llama családjából származó modellre épül, és tartalmaz egy audió "dekóder" komponenst. A Sesame szerint a CSM finomhangolt változata működteti Mayát. A CSM-1B Hugging Face és GitHub adattárában a Sesame azt állítja: "A modellen itt nyílt forráskódú alapgeneráló modell. Különböző hangokat képes előállítani, de nem lett finomhangolva egy adott hangra.

[. . . ] A modell bizonyos képességekkel bír a nem angol nyelvek terén, mivel a tréningkészletben adatszennyezés történt, de teljesítményének várhatóan nem optimálisnak kell lennie. " Nem világos, hogy a Sesame milyen adatokkal képezte a CSM-1B-t, mivel a cég ezt az információt nem hozta nyilvánosságra. Fontos megjegyezni, hogy a modellből hiányoznak a lényeges védelmi mechanizmusok. A Sesame egy becsületi rendszerre támaszkodik, és arra bátorítja a fejlesztőket és felhasználókat, hogy ne használják a modellt mások hangjának utánzására engedély nélkül, ne hozzanak létre megtévesztő anyagokat, például hamis híreket, és ne vegyenek részt káros vagy rosszindulatú tevékenységekben. Én kipróbáltam a demót a Hugging Face-en, és a hangom utánzása kevesebb mint egy percet vett igénybe. Ezt követően az olyan témákban, mint a választások és az orosz propagandával kapcsolatos vitatott kérdések, a beszédgenerálás nagyon egyszerű volt. A Consumer Reports nemrégiben figyelmeztette, hogy sok népszerű AI-alapú hangklónozó eszköz, amely ma elérhető, "jelentős" védelmet nélkülöz a csalások vagy a visszaélések ellen. A Sesame-t az Oculus társalapítója, Brendan Iribe alapította, és jelentős figyelmet kapott február végén a hangasszisztens technológiája miatt, amely majdnem átlépi a "kellemetlenségek völgyét". Maya és a Sesame másik asszisztense, Miles, lélegzik, beszédzavarokat mutat be, és megszakíthatók, miközben beszélnek, hasonlóan az OpenAI Voice Mode-jához. A cég egy nyilvánosságra nem hozott befektetést biztosított az Andreessen Horowitz, a Spark Capital és a Matrix Partners részéről. A hangasszisztens technológia fejlesztésén túl a Sesame prototípust készít AI szemüvegekhez, amelyeket "napközbeni viseletre szánnak", és amelyek saját modelljeiket fogják használni.