สด > รายละเอียดข่าวสด
2025-09-19 09:17:19
[Xiaomi โอเพนซอร์สโมเดลเสียงพูดแบบ end-to-end ดั้งเดิมตัวแรก] เมื่อวันที่ 19 กันยายน Xiaomi ได้โอเพนซอร์สโมเดลเสียงพูดแบบ end-to-end ดั้งเดิมตัวแรกอย่างเป็นทางการ นั่นคือ Xiaomi-MiMo-Audio ซึ่งใช้สถาปัตยกรรม pre-training ที่เป็นนวัตกรรมและข้อมูลการเทรนนิ่งหลายร้อยล้านชั่วโมง ทำให้สามารถสรุปผลการทดสอบเสียงพูดแบบ few-sample generalization บนพื้นฐานของ ICL ได้เป็นครั้งแรก และสังเกตเห็นพฤติกรรม "การเกิดขึ้น" ที่ชัดเจนใน pre-training มีรายงานว่าในเกณฑ์มาตรฐานการประเมินหลายรายการ เช่น ความเข้าใจเสียงพูดทั่วไปและบทสนทนา MiMo-Audio มีประสิทธิภาพเหนือกว่าโมเดลโอเพนซอร์สอย่างมีนัยสำคัญด้วยจำนวนพารามิเตอร์ที่เท่ากัน โดยมีประสิทธิภาพสูงสุดที่ 7B ในชุดทดสอบมาตรฐานของเกณฑ์มาตรฐานความเข้าใจเสียง MMAU MiMo-Audio เหนือกว่าโมเดลเสียงพูดแบบปิดของ Google Gemini-2.5-Flash และใน Big Bench Audio S2T ซึ่งเป็นเกณฑ์มาตรฐานสำหรับการใช้เหตุผลเสียงที่ซับซ้อน MiMo-Audio ยังเหนือกว่าโมเดลเสียงพูดแบบปิดของ OpenAI GPT-4o-Audio-Preview
