Paglabas ng modelo

Inilabas ng inclusionAI ang MingTok-Audio: kauna-unahang unified continuous speech tokenizer

Orihinal na pamagat:inclusionAI/MingTok-Audio

AI summary

Inilunsad ng inclusionAI team ang MingTok-Audio, ang kauna-unahang unified continuous speech tokenizer na epektibong nagsasama ng semantic at acoustic features, angkop para sa speech understanding at generation tasks. Nakabatay ang modelong ito sa pure causal Transformer architecture, inalis ang convolutional layers para mapahusay ang efficiency, at gumagamit ng VAE para sa continuous feature modeling upang makamit ang high-quality audio reconstruction. Sa speech reconstruction performance, ang frame rate nito ay 50, at ang PESQ sa SEED-ZH at SEED-EN test sets ay umabot sa 4.21 at 4.04 ayon sa pagkakabanggit, SIM na 0.96, STOI na 0.98, na malinaw na mas mahusay kaysa sa comparison models. Sa downstream ASR tasks, nakamit nito ang mas mababang error rate sa iba't ibang dialect datasets, halimbawa sa Hunan Minnan dataset, ang WER ay kasingbaba ng 9.80%.

Mahahalagang impormasyon

  • Inilunsad ng inclusionAI team ang MingTok-Audio,ang kauna-unahang unified continuous speech…
  • Nakabatay ang modelong ito sa pure causal Transformer architecture,inalis ang convolutional layers…
  • Sa speech reconstruction performance,ang frame rate nito ay 50,at ang PESQ sa SEED-ZH at SEED-EN…
  • 04 ayon sa pagkakabanggit,SIM na 0.
  • 96,STOI na 0.

Mabilisang tingin

Na-publish noong
Na-update noong
Pinagmulan
蚂蚁 inclusionAI:GitHub 新仓库
Kategorya
Paglabas ng modelo
AI na marka
57
Basahin ang orihinal Basahin ang buong artikulo sa orihinal na pinagmulan
Dahilan ng rekomendasyon

蚂蚁把语音 tokenizer 做到了 PESQ 4.2 的离谱分数,比第二名翻了快一倍,做语音理解和生成的团队值得拿这个当新 baseline 跑一下。

Pinagmulan at copyright

Ang artikulong ito ay batay sa mga piling pamagat at AI summary mula sa pampublikong API ng AIHOT, may nakasaad na pinagmulan at backlink; ang copyright ng orihinal na teksto ay pag-aari ng orihinal na media at may-akda, hindi namin ginagaya ang buong teksto.

Link ng orihinal · Entry sa AIHOT

Paano banggitin

Kapag binabanggit ang artikulong ito, panatilihin ang pamagat, petsa at permanenteng link, at banggitin ang Orange News bilang pinagmulan.

Orange News: Inilabas ng inclusionAI ang MingTok-Audio: kauna-unahang unified continuous speech tokenizer. 29 Setyembre 2025. https://new.nat6.net/fil/news/cmorb7ik40079slhfn285yff9/

Tingnan lahat →