@ChatGOP TTS 和 STT 技术是现成的，就是工程构建的过程。另外你说的实时的话，不进行特定优化的话，NMT 的翻译一句话的时延大概在 500ms ，LLM 采用的是相同的解码方案，解码时间也差不多，但是 LLM 模型更大，计算更耗时。但是现在硬件设备针对 LLM 也有一定的针对性的优化，所以基本上是能保证的。

@ChatGOP text->voice 以及 voice->text 翻译目前还没有现成的方案，还处于研究阶段，如果你不介意质量也可以用。现有的这些翻译是通过文本翻译前面或后面加 TTS 或者 ASR 实现。
另外通用领域 NMT 与 LLM 的效果是持平甚至不如的，某些特定领域可能 NMT 的效果会好一点。另外不太明白你这个实时指的是什么？

nginx 的配置呢？

12 月遇到过，貌似剩最后十天左右发过来续期邮件了。

@fanyingmao 人机校验失败是因为网站有几个 sec 的头，加进去就不会报这个错误了

NLP 里面有意图识别，之前的任务机器人就是按照先进行意图识别，再进行槽位抽取。目前的大模型可能是反映成不同的 prompt

工资咋样

你要问能不能？那肯定是能，torch 支持 ROCM ，但是里面有多少坑，你得自己试一试。如果有结果了，cue 我一下。

@hguangzhen 1 就不说了。机器学习的训练一般是端到端的，基本上是不能分解的，只能并行训练。然而不像挖矿一样单机是对同一个输入计算，模型并行各机器上需要针对不同的数据进行训练，并将训练中的梯度汇总到中心服务器，这就限制了各个框架的随意进入和退出，同时还需要各种措施保证梯度的准确性。
此外，这并不能解决算力的问题啊，该需要多少算力还是多少算力，只是解决有没有可用算力的问题，限制参与资格的还是钱呀。

1 、不是能用虚拟币买的东西，都能用 RMB 买么？而且如果真用虚拟币购买，怎么开发票？
2 、是大模型需要的算力很庞大，也就是说需要的钱多，这才是限制参与资格的地方。

minio 的服务端口和 web 端口不是同一个，所以是你的端口不正确

如果你们公司的 VPN 也是添加了一个虚拟网卡的话，你可以在配置文件中添加公司子网直连代理，出口为公司 VPN 的网卡。
具体可以参考： https://manual.nssurge.com/policy/parameters.html

2023 年了，该用集群了，模型单机跑不动了

没抢到，楼主私信一个，感激不尽

你的设置问题，黑果白果 Ventura 都在用，没有什么问题。

捡呀，反正都是自己的

问题在于，他知道的东西可能给你的答案是准确的。他不知道的给你的答案也是让人看起来没有啥问题。关键问题还在于你都不知道他说的是对的还是错的。

所以，目前来看 ChatGPT 还是玩具，偶尔调笑一下没啥问题，要是用在生产环境，那就不知道可能会带来什么问题了。

“听说曾经有老外人用艾玛拉语作为中介语言来翻译他任意两种语言，换句话的先把 A 语言翻译成艾玛拉语，然後再翻译成 B 语言，而且这种算法的准确度是最高的。”

这句话需要给出具体文献。据我所知，这应该是没有具体文献支撑的。

你说的这种翻译方法是基于枢轴的零资源或低资源翻译。目前主要使用的中间语言是英语，主要原因就是相对于其他语种，到英语的翻译语料是最丰富的。

具体到现在的神经机器翻译，基于枢轴的多语言翻译最有名的应该是谷歌的 2017 年的论文《 Google’s Multilingual Neural Machine Translation System: Enabling Zero-Shot Translation 》也是主要使用英语作为其中间语言的。目前并没有任何文献支撑使用艾玛拉语能达到最好的效果。

具体原因是：

最初的机器翻译是采用规则的翻译方法，这种方法需要人为的设计翻译规则，这种方法需要专家对两种语言的语法都非常熟悉，这个语言作为玻利维亚的官方语言，中央艾玛拉语使用者只有 2,227,642 人。而且机器翻译作为冷战的产物，最初的主要研究是针对俄语和英语的翻译的，应该不会专门针对这个语言研究。

而先前的统计机器翻译到现在的神经机器翻译作为基于数据驱动的翻译方法，都需要基于大量的语料对模型进行训练。基于其使用者人数，其应该是低资源的研究对象，而不是研究工具。