モデル公開

inclusionAIがMingTok-Audioを発表:初の統合連続音声トークナイザー

原題:inclusionAI/MingTok-Audio

AI 要約

inclusionAIチームは、意味的特徴と音響的特徴を効果的に融合できる初の統合連続音声トークナイザーMingTok-Audioを発表した。音声理解と生成タスクに適する。純粋な因果Transformerアーキテクチャに基づき、効率向上のため畳み込み層を排除し、VAEで連続特徴をモデリングして高品質な音声再構成を実現する。音声再構成性能ではフレームレート50で、SEED-ZHとSEED-ENテストセットのPESQがそれぞれ4.21と4.04、SIMが0.96、STOIが0.98に達し、比較モデルを大幅に上回る。下流のASRタスクでは複数の方言データセットでより低いエラー率を達成し、例えばHunan MinnanデータセットではWERが9.80%まで低減した。

要点

  • inclusionAIチームは、意味的特徴と音響的特徴を効果的に融合できる初の統合連続音声トークナイザーMingTok-Audioを発表した。
  • 音声理解と生成タスクに適する。
  • 純粋な因果Transformerアーキテクチャに基づき、効率向上のため畳み込み層を排除し、VAEで連続特徴をモデリングして高品質な音声再構成を実現する。
  • 音声再構成性能ではフレームレート50で、SEED-ZHとSEED-ENテストセットのPESQがそれぞれ4.
  • 04、SIMが0.

概要

公開日時
更新日時
出典
蚂蚁 inclusionAI:GitHub 新仓库
カテゴリ
モデル公開
AI スコア
57
原文を読む 情報源で全文を読む
おすすめの理由

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。

出典と著作権

本記事は AIHOT の公開 API が提供する厳選タイトルと AI 要約に基づいており、出典の明記と元記事へのリンクを行っています。原文の著作権は元の媒体と著者に帰属し、当サイトは全文を転載しません。

原文記事 · AIHOT 記事

引用方法

本記事を引用する際は、タイトル・日付・パーマリンクを保持し、出典をOrange Newsと明記してください。

Orange News:inclusionAIがMingTok-Audioを発表:初の統合連続音声トークナイザー。2025年9月29日。https://new.nat6.net/ja/news/cmorb7ik40079slhfn285yff9/

すべて見る →