OMID 🍋 retweeted
وقتی کسی شام مهمونتون میکنه، معمولاً میدونید چی ازتون میخواد.
فکر میکنید همین که بدونید، دیگه نمکگیرش نمیشید.
تحقیقها میگن باز هم میشید.
OMID 🍋 retweeted
I asked fable 5.2 to invent a new musical form.
Fable 5.2 wrote a symphony that’s shaped like a training run.
The orchestra starts as random noise, learns the key, pulse, harmony and the melody, then plays music it was never shown.
OMID 🍋 retweeted
از Ai استفاده کن ولی نه در این حد که وقتی بنا به هر دلیلی در دسترس نبود حتی نتونی فکر کنی🌚
OMID 🍋 retweeted
That's why boobrie.chat started!
OMID 🍋 retweeted
این حمله که با صدای اولتراسونیک به siri دستور میده خیلی باحاله، در واقع یه prompt injection صوتیه که میکروفون گوشی واسه هکر decodeش میکنه :)
اینجوریه که دستور رو روی فرکانس بالای 20hz میفرستن و میکروفون گوشی وقتی موج خیلی قوی باشه، مثل یه رادیو AM به صدای معمولی تبدیلش میکنه!
اسم حمله DolphinAttack هست، اگه کنجکاوید مقالهاش رو بخونید :)
You can point an ultrasonic speaker at an iPhone from a few feet away, play an audio command that no human ear can hear, and the phone will wake up, open Safari, and dial a phone number.
To everyone standing in the room, it sounds like dead silence. To the phone, it sounds like someone speaking directly into the microphone.
Mobile operating systems use digital low-pass filters to delete all sound above 20,000 Hz, assuming inaudible frequencies can never reach the voice assistant.
Yet this attack succeeds without exploiting a single line of software code. The flaw is not in the operating system. It is in the microscopic silicon plate inside the microphone itself.
1. The microscopic machine inside your microphone
Inside modern smartphones, microphones are not miniature versions of studio microphones. They are micro-electro-mechanical systems (MEMS) chips smaller than a grain of rice.
Inside the chip package sits a flexible silicon diaphragm suspended barely two micrometers above a rigid metal backplate.
The two plates form a variable capacitor. When sound waves hit the silicon diaphragm, it flexes inward and outward, changing the electrical capacitance. An onboard preamplifier converts that movement into an electrical voltage.
At normal room volumes, the silicon plate moves evenly: double the sound pressure, and the plate flexes twice as far.
2. The non-linear spring catch
The flaw appears when sound waves hit the microphone at high pressure (above 90 dB SPL).
If you broadcast an ultrasound carrier wave (say, 28,000 Hz) that has an audio command modulated on top of it, the microphone front-end cannot move symmetrically. The mechanical spring resistance of the silicon, the electrical pull between the plates, and the preamplifier circuit all reach their limits.
Instead of flexing smoothly, the silicon plate bends slightly more inward than outward.
This asymmetry acts like an old crystal radio receiver. Mathematically, a non-linear response squares the incoming wave. That squaring action strips the silent 28,000 Hz carrier away and leaves behind the original human voice command in the audible 300 Hz to 3,500 Hz range.
By the time the analog-to-digital converter reads the signal, the ultrasound is already gone. It has physically transformed into ordinary low-frequency sound inside the microphone chamber. The phone digital filter never triggers because the audio reaching the software is already normal human voice.
3. What researchers actually proved (DolphinAttack)
In 2017, researchers at Zhejiang University published DolphinAttack, demonstrating this hardware flaw across Siri, Google Now, and Alexa.
They successfully forced phones to initiate FaceTime calls, navigate to malicious websites, turn on airplane mode, and unlock smart doors paired to the device.
Later research expanded this into attacking through solid tables, using the furniture itself as a physical acoustic conductor.
4. Why this fails in the wild (The physical friction)
Demonstrating this in an acoustic laboratory is straightforward. Pulling it off in a crowded coffee shop runs into strict physical limits:
First, air absorbs high-frequency sound rapidly. Bass travels through concrete walls, but 30,000 Hz ultrasound loses roughly 1 to 1.5 decibels of power per meter in normal room air. In the original DolphinAttack paper, the effective range was limited between a few centimeters and 1.75 meters. Reaching across an entire room requires a heavy array of high-voltage transducers.
Second, ultrasonic emitters act like laser pointers. High-frequency sound travels in narrow beams of 15 to 20 degrees. If you fail to aim directly at the phone one-millimeter microphone port, sound pressure drops below the 90 dB threshold needed to bend the plate.
Third, modern phones are waterproof. Devices with IP68 ratings place a hydrophobic Gore-Tex mesh over the microphone hole. The mesh lets air equalize while stopping water, but it acts like a dense acoustic muffler against ultrasonic frequencies, absorbing another 14 dB of signal strength.
Finally, voice assistants use personal voice training. If Siri or Google Assistant is set to only respond to the device owner, a generic synthesized ultrasonic command is ignored unless the attacker models the owner vocal pitch.
5. How modern hardware catches it
Defending against inaudible voice injection requires catching the acoustic mismatch before speech recognition executes:
* Multi-microphone cross-checks: Modern smartphones carry three or four microphones positioned on the bottom, top, and camera bump. When a real human speaks, their voice reaches all microphones with natural arrival delays. A narrow ultrasonic beam hitting one microphone port creates an unnatural phase imbalance across the device.
* Harmonic distortion analysis: When a microphone is driven into non-linear demodulation, it does not produce a clean voice recording. It leaves distinct distortion products and second-order harmonics. Software filters can analyze the spectrum and mute the assistant if they detect the signature of mechanical demodulation.
* Acoustic damping barriers: Microphone manufacturers can install physical acoustic damping layers inside the chip housing that attenuate frequencies above 22,000 Hz before the sound wave ever reaches the silicon diaphragm.
Inaudible voice injection works because digital security models assume analog sensors behave linearly. When sound waves push silicon past its linear limits, the hardware itself executes operations the operating system never authorized.
OMID 🍋 retweeted
از اول نوامبر کار جدیدم رو تو دوسلدورف شروع میکنم و برای اول نوامبر یا دیرتر دنبال استودیو یا اتاق WG هستم:💼
بودجه: اجاره گرم تا ۷۰۰€
ترجیحاً مبله + امکان ملده
قرارداد کار فولتایم دارم
موردی تو دوسلدورف یا حومه سراغ داشتید ممنون میشم پیام بدید.🙏
OMID 🍋 retweeted
امروز از کنار پارک نزدیک خونه رد میشدم و یه خانم بیخانمانی رو دیدم که معمولا اونجاست و یاد این خاطره افتادم.
چند سال پیش شب کریسمس تصمیم گرفتم به یه عده از بیخانمانها غذا بدم. از مکدونالد چندتا چیزبرگر گرفتم و دور محله بینشون پخش کردم و خیلیها گرفتن و تشکر کردن.
ولی یکیشون قبول نکرد. یه خانمی بود که کنار پارک میخوابید و همیشه هم درحال نوشتن بود. بعدها فهمیدم که معلم مدرسه بوده و بدلیل مشکلات روانی کارش به خیابون کشیده.
مکدانلد رو بهش دادم، یه نگاه به من کرد و یه نگاه به مکدانلد و گفت مرسی ولی من مکدانلد نمیخورم، سالم نیست. شوکی که این جواب بمن وارد کرد هنوز با منه واین تجربه بشدت تو ذهن من هک شده.
اون روز فهمیدم که دیدم به این مسئله کاملا اشتباهه. به چندین علت:
اولا بیپول بودن معنیش این نیست که انتخاب نداریم. درسته که انتخابهامون کمترن ولی هنوز میتونیم یه سطحی از انتخاب رو داشته باشیم.
و ثانیا من به صرف اینکه دارم کمک میکنم اجازه ندارم تصمیم بگیرم که اون باید چی بخوره. و اینو یادمون میره ما. فکر میکنیم چون ما داریم کمک میکنیم اجازه داریم که تصمیم بگیریم اون طرف باید چه کنه و حق انتخاب رو ازش بگیریم.
---
زیاد دیدم که اطرافیان میگن ما به بیخانمانها کمک نمیکنیم چون خرج اعتیادشون میکنن.
اینکه کمک میکنیم یا نه تصمیم ماست. ولی بهمون اجازه نمیده که طرف رو قضاوت کنیم. درسته که این حرف از سر دلسوزی میاد ولی یه بیرحمی مخفی توش هست.
اولا فرض رو بر این میگیریم که هرکس که بیخانمانه پس معتاده که کاملا تصور غلطیه. تحقیقات نشون دادن که هزینه مسکن، مشکلات خانوادگی و تروما و بیماریهای روحی علت بزرگتریه برای بیخانمانی تا اعتیاد.
ثانیا حتی کسی که معتاده باید غذا بخوره. گرسنگی چاره اعتیاد نیست و بدترش هم میکنه. با این حرف یه جورایی داریم میگیم ما تصمیم میگیریم که این آدم باید از گرسنگی بمیره نه از مصرف مواد.
کمک کنیم ولی قضاوت نکنیم. و اگه تصمیم گرفتیم کمک نکنیم دنبال توجیههای اینجوری براش نباشیم.
OMID 🍋 retweeted
Overscale style on mystyleshaus.com/sref-codes/…
OMID 🍋 retweeted
توی اینستاگرامم از ساختن و مارکتینگ از دریچه رفتار انسان و تجربههای شخصی خودم از کار با AI و... میگم. اگه دوست داشتین اونجام فالوم کنید. چاکس ✌🏻
لینک 👇🏻
OMID 🍋 retweeted
من یک مدل تبدیل متن به گفتار (TTS) فارسی آموزش دادم که روی CPU اجرا میشه.
یک مدل ۱۰۰ میلیون پارامتری که از یک مدل معلم ۲۴ لایه distill شده و از صفر روی ۴۹۷ ساعت گفتار فارسی با لایسنس عمومی CC0 آموزش دیده؛ دادههایی از Mana-TTS، فیلیمو و زیرنویسهای یوتیوب.
مدل میتونه فقط با چند ثانیه صدای ورودی، صدای گوینده رو تقلید کنه و روی CPU، بسیار سریع اجرا بشه. این مدل بر پایهی pocket-tts ساخته شده که توسط @kyutai_labs توسعه داده شده.
تا جایی که من بررسی کردم، این اولین مدل فارسی در لیست community-models خود pocket-tts محسوب میشه و یکی از معدود مدلهای TTS فارسیه که واقعاً روی CPU با سرعت قابل استفاده اجرا میشه. بیشتر مدلهای متنبهگفتار متنباز برای فارسی، و حتی خیلی از زبانهای دیگه، عملاً فرض میکنن که یک GPU در اختیار دارید.
نکته جالبتر اینه که دانشجوی ۶ لایه در تمام معیارهایی که اندازهگیری کردم، از معلم ۲۴ لایه خودش بهتر عمل کرد: نرخ خطای کلمات (WER)، شباهت گوینده و کیفیت ادراکی صدا.
البته یک محدودیت واقعی هم وجود داره که بهتره صادقانه بهش اشاره کنم:
در فارسی، اضافه (ezafe)،(کسره ربط بین اسم و صفت/مضافالیه)، معمولاً در نوشتار مشخص نمیشه. بنابراین مدلی که متن خام رو میخونه، باید اضافه رو از روی context حدس بزنه و گاهی هم اشتباه میکنه.
حتی نمیشه این مشکل رو صرفاً با اضافه کردن دستیِ علامتها حل کرد، چون در دادههای آموزشی، این علامتها تقریباً هیچوقت به شکل یکدست و consistent نوشته نشدهاند. بنابراین pipeline پردازش متن هم باید اونها رو حذف کنه.
همهچیز رو عمومی کردم: اسکریپتهای آموزش، pipeline ارزیابی، یک runbook مرحلهبهمرحله و توضیحات کامل پروژه.
توی ویدیو کامل توضیح دادم. ۲تا نکته: توی ویدیو گفتم "فاین تیون" که درست نیست. آموزش کامل دادم روی زبان فارسی. و اینکه گفتم ۷۰۰ ساعت که ۵۰۰ ساعت دیتا بود.
🤗 مدل: huggingface.co/mehdi-hf/pock…
💻 کد و توضیحات کامل: github.com/mallahyari/pocket…
OMID 🍋 retweeted
نسخه 1 اپ میکی به صورت اوپن سورس منتشر شد ☁️
میکی یه ایجنت هوش مصنوعی مینیمال فارسی محور هست که تمرکزش روی ساده بودن و راحتیه.
با گفتن wake word اش شروع به گوش دادن حرفتون میکنه و با کمک ابزار هایی که داره درخواستتون رو انجام بده.
پایین کامل روش نصب و کارش رو توضیح میدم👇
OMID 🍋 retweeted
بازنشر این توییت میتواند در شرایط فعلی ما کمک بزرگی باشد.
من و همسرم، یاسمن سجادی، دو روزنامهنگار ایرانی که بعد از جنبش زن زندگی آزادی و فشارهای نیروهای امنیتی ناچار به ترک ایران شدیم،به کمک شما نیاز داریم.
ما فقط ۵ روز دیگر فرصت داریم خانه فعلیمان را تحویل دهیم و در نقطهی امن دیگری، خانهای جدید اجاره کنیم. هزینه درمان یاسمن، داروهایمان، جراحی چشمم بهدلیل ابتلا به Pterygium و هزینههای معمول زندگی نیز پیش روست.
حمایتهای انجام شده تا کنون واقعا برای برونرفت از این بحرانها کافی نیست.
از هر حمایت و بازنشر شما صمیمانه سپاسگزاریم.
gofund.me/f7a195035
OMID 🍋 retweeted
اگر نمیخوای برای سایتهایی مثل ElevenLabs هزینه بدی، این پروژه رو ببین 👇
OmniVoice Studio 🎙️
یه ابزار متنباز و لوکال برای تولید و کلون صدا با AI
امکاناتش:
✅ کلون صدا با چند ثانیه نمونه
✅ تبدیل متن به گفتار
✅ دوبله ویدیو
✅ دیکته زنده
✅ طراحی صدا با سن، جنسیت، لهجه و pitch
✅ بدون API Key
✅ بدون آپلود صدا روی سرور
✅ اجرا روی سیستم خودت
سیستم موردنیاز:
🖥️ Windows / macOS / Linux
🐍 Python 3.11+
🧠 RAM حداقل: ۸ گیگ
🚀 RAM پیشنهادی: ۱۶ گیگ به بالا
🎮 GPU اختیاریه، ولی برای سرعت بهتر پیشنهاد میشه
📦 VRAM حداقل: ۴ گیگ
⚡ VRAM پیشنهادی: ۸ گیگ به بالا
حتی بدون GPU هم روی CPU اجرا میشه، فقط کندتره.
گیتهاب پروژه:
github.com/debpalash/OmniVoi…
OMID 🍋 retweeted
اگه ریتوییت کنید ممنون میشم
شرکت شما Designer نمیخواد؟
OMID 🍋 retweeted
ریسک این نیست که فناوری کار نمیکند یا کار میکند. ریسک این است که نیروهای مختلف اپوزیسیون، به جای همکاری روی زیرساخت مشترک، هر کدام جزیرهی خودشان را بسازند. در نتیجه ده رجیستری ضعیف به جای یک رجیستری قوی و ده رأیگیری کوچک به جای یک رأیگیری معتبر خواهیم داشت.
این پراکندگی دیجیتال است، درست مثل پراکندگی سیاسی.






































