Immagina di essere a una festa affollata: musica alta, gente che parla tutta insieme, e tu cerchi di seguire solo la voce del tuo amico. Per un computer, separare una voce specifica dal caos è un'impresa ardua. Fino a oggi, i sistemi dovevano scegliere: o toglievano il rumore di fondo (Speech Enhancement) o separavano chi parlava contemporaneamente (Speech Separation). Due problemi, due modelli diversi, spesso pesanti e complicati.
Arriva UniVoiceLite, un modello leggero e 'non supervisionato' sviluppato da ricercatori che hanno pubblicato su arXiv. La sua forza? Guarda le labbra. Sfruttando il movimento della bocca e l'identità facciale, l'IA capisce chi sta parlando e cosa dice, ignorando il resto. È come avere un superpotere: leggere il labiale per isolare l'audio giusto.
Il trucco tecnico sta nella 'distanza di Wasserstein', una formula matematica che tiene ordinato lo spazio latente del modello senza bisogno di montagne di dati 'puliti' e 'sporchi' accoppiati per l'addestramento. Risultato: un unico modello efficiente che funziona bene sia col rumore che con più voci insieme. Il codice è open source su GitHub: chiunque può provarlo, studiarlo o migliorarlo. Un passo avanti per assistenti vocali, videochiamate e accessibilità, tutto in un pacchetto leggero.
