İçeriğe geç
CANLI 20:49 Claude artık video konferanslara katılabiliyor! 2 gün önce Yerli yapay zeka İridaa, kendi modeli “Kuzey”i devreye aldı: Tahmini skorlar rakiplerine göre nerede? 9 Kas 2026 Bu Hafta AI Model Değerlendirmesi (2026-W46) 8 Kas 2026 OpenAI Uyarı Vermeden Hesap Kapatıyor: Aylık 200 Dolarlık Pro Aboneler Bile Etkilendi 8 Kas 2026 Yapay Zekâ 18 Yıllık Kuantum Varsayımını Üç Günde Çözdü: Aaronson-Ambainis Artık Bir Teorem Zekâ endeksi lideri Claude Fable 5.2 (Max, Default Fallback) · 64,6 16.11.2026
Bülten

arXiv 2611.18561 q-bio.NC

FETTUCCINE: Mobil cihazlarda hızlı ve verimli beyinden metne kod çözme

Özgün başlık FETTUCCINE: Fast and efficient brain-to-text decoding on mobile devices

  • Jonathan D. McCart
  • Pranav I. Deevi
  • Mehdi Azabou
  • Nanda H. Krishna
  • Caleb A. McKinney
  • Nicholas S. Card
  • Sergey D. Stavisky
  • Chethan Pandarinath
ai/muhabir · özet metinden derlendi

Konuşma nöroprotezlerindeki son gelişmeler, nörolojik hastalık veya yaralanma nedeniyle konuşma yeteneğini kaybeden kişiler için yeni iletişim yolları sağlamıştır. Bu sistemler, yüksek kod çözme doğruluğu elde etmek için dil önceliklerine güvenerek konuşma girişimi sırasında sinirsel aktivitenin kodunu metne dönüştürebilir. Bu performans şu anda bilgi işlem yoğun dil modelleme yığınının kullanılması pahasına gerçek dünya kullanımında büyük bir darboğaz teşkil ediyor.

Bu kısa özet, sayfanın kendi metninin ilk cümlelerinden otomatik derlendi; “Yeniden yaz” aynı özeti baştan yazar.

02 Özet

Konuşma nöroprotezlerindeki son gelişmeler, nörolojik hastalık veya yaralanma nedeniyle konuşma yeteneğini kaybeden kişiler için yeni iletişim yolları sağlamıştır. Bu sistemler, yüksek kod çözme doğruluğu elde etmek için dil önceliklerine güvenerek konuşma girişimi sırasında sinirsel aktivitenin kodunu metne dönüştürebilir. Bu performans şu anda bilgi işlem yoğun dil modelleme yığınının kullanılması pahasına gerçek dünya kullanımında büyük bir darboğaz teşkil ediyor. Dahası, mevcut dil modelleri oldukça değişken ve rahatsız edici çıkarım gecikmelerine neden oluyor, bu da iletişim verimini sınırlıyor ve kullanıcıların doğal konuşmaya güvenilir bir şekilde katılmasını engelliyor. Kullanılabilir (

Bu çeviri otomatik (makine çevirisi) olarak hazırlandı; bilimsel alıntı için özgün özeti esas alın.

Recent advances in speech neuroprostheses have enabled new communication avenues for people who have lost the ability to speak due to neurological illness or injury. These systems can decode neural activity during attempted speech into text by relying on language priors to achieve high decoding accuracy. This performance currently comes at the cost of using a compute-intensive language modeling stack, presenting a major bottleneck for real-world use. Further, current language models incur highly variable and disruptive inference latencies, limiting communication throughput and preventing users from reliably participating in natural conversation. We introduce FETTUCCINE, an end-to-end brain-to-text framework that leverages the speed and portability of automatic speech recognition (ASR) models to address the aforementioned practical challenges, while achieving usable (<10%) word error rates (WER), efficient adaptation to neural non-stationarities, and reliable performance on mobile devices. When evaluated using publicly available data from an intracortical speech neuroprosthesis user, FETTUCCINE outperforms previous end-to-end methods, achieving as low as 4.39% WER. Most notably, our models successfully run on a commercially-available mobile device with throughput reaching up to 370x real-time, providing the first demonstration of brain-to-text decoding on a mobile device. We also show that our models can be successfully finetuned to extend usable performance to future days. Beyond performance, our approach enables localization of the neural features most relevant for decoding via gradient-based saliency maps, which we show align with well-established physiological priors across different ASR model families. Taken together, our results show that FETTUCCINE overcomes core infrastructural and computational barriers, yielding a new class of portable brain-to-text communication.

03 PDF

Bu PDF başka bir sitede (arxiv.org) barındırılıyor ve sayfa içinde gösterilemiyor. Yukarıdaki düğmelerle yeni sekmede açabilir ya da indirebilirsiniz.

04 Kaynak göster

BibTeX
@article{mccart2026fettuccine,
  title   = {FETTUCCINE: Fast and efficient brain-to-text decoding on mobile devices},
  author  = {Jonathan D. McCart and Pranav I. Deevi and Mehdi Azabou and Nanda H. Krishna and Caleb A. McKinney and Nicholas S. Card and Sergey D. Stavisky and Chethan Pandarinath},
  journal = {arXiv preprint arXiv:2611.18561},
  year    = {2026},
  url     = {https://arxiv.org/abs/2611.18561}
}
APA
McCart, J. D., Deevi, P. I., Azabou, M., Krishna, N. H., McKinney, C. A., Card, N. S., Stavisky, S. D., & Pandarinath, C. (2026). FETTUCCINE: Mobil cihazlarda hızlı ve verimli beyinden metne kod çözme. arXiv. https://arxiv.org/abs/2611.18561
Paylaş
X LinkedIn WhatsApp Telegram Reddit Bluesky Threads E-posta

Yorumlar 0

Yorum yazın

Karakter: 0/1000

Henüz yorum yok. İlk yorumu siz yazın.