Xiaomi випустила модель CocktailASR-1 для розпізнавання мови у шумному середовищі

Компанія Xiaomi представила та опублікувала з відкритим вихідним кодом модель CocktailASR-1 призначену для розпізнавання мовлення в умовах одночасного спілкування кількох людей. Ця технологія спрямована на вирішення так званої «проблеми коктейльної вечірки», коли система має виокремити голос конкретної людини серед інших звуків. Про це пише видання Gizmochina.

Принцип роботи моделіДля роботи з CocktailASR-1 користувач має надати короткий аудіофрагмент із голосом цільового спікера. Модель використовує цей запис як еталон, щоб знайти та транскрибувати мовлення саме цієї людини у багатоканальних або змішаних записах. Основними особливостями моделі є:

• Використання архітектури на базі LLM (великої мовної моделі) для високої точності.
• Стабільна робота як із великою кількістю голосів, так і в режимі одного спікера.
• Функція відсутності галюцинацій: якщо цільовий голос відсутній у записі, модель не генерує сторонній текст.
• Наявність режиму «ланцюжка думок» (chain-of-thought), що дозволяє переглядати логіку побудови транскрипції.

Доступність та екосистемаРозробник зазначає, що за результатами тестувань на профільних бенчмарках модель демонструє кращі показники, ніж наявні аналоги для розв’язання аналогічних задач. CocktailASR-1 стала частиною відкритої екосистеми ШІ-рішень компанії, до якої вже входять проєкти MiMo-V2-Flash та Xiaomi Robotics-0. Зараз інструментарій доступний для розробників на платформах GitHub та Hugging Face.

Читайте також:

• Чому компактні автомобілі втрачають популярність: 6 головних недоліків
• DeWalt випустив захисний силіконовий килимок для верстаків
• TSA впроваджує нові 3D-сканери для багажу, що можуть змінити вимоги до ручної поклажі

Запис Xiaomi випустила модель CocktailASR-1 для розпізнавання мови у шумному середовищі спершу з'явиться на ProstoMob.