inclusionAI เปิดตัว MingTok-Audio ตัวแบ่งโทเคนเสียงต่อเนื่องแบบรวมศูนย์ตัวแรก
หัวข้อต้นฉบับ:inclusionAI/MingTok-Audio
สรุปโดย AI
ทีม inclusionAI เปิดตัว MingTok-Audio ตัวแบ่งโทเคนเสียงต่อเนื่องแบบรวมศูนย์ตัวแรกที่สามารถผสานคุณลักษณะเชิงความหมายและเชิงเสียงได้อย่างมีประสิทธิภาพ เหมาะสำหรับงานการเข้าใจและการสร้างเสียง โมเดลนี้ใช้สถาปัตยกรรม Transformer แบบเป็นเหตุเป็นผลล้วน ตัดชั้น convolution ออกเพื่อเพิ่มประสิทธิภาพ และใช้ VAE ในการสร้างแบบจำลองคุณลักษณะต่อเนื่องเพื่อการสร้างเสียงคุณภาพสูง ในด้านประสิทธิภาพการสร้างเสียงใหม่ มีอัตราเฟรม 50 และได้คะแนน PESQ 4.21 และ 4.04 บนชุดทดสอบ SEED-ZH และ SEED-EN ตามลำดับ SIM อยู่ที่ 0.96 และ STOI อยู่ที่ 0.98 ดีกว่าโมเดลเปรียบเทียบอย่างมีนัยสำคัญ ในงาน ASR ปลายน้ำ ทำอัตราความผิดพลาดได้ต่ำกว่าบนชุดข้อมูลภาษาถิ่นหลายชุด เช่น WER ต่ำถึง 9.80% บนชุดข้อมูล Hunan Minnan
ข้อมูลสำคัญ
- ทีม inclusionAI เปิดตัว MingTok-Audio…
- 21 และ 4.
- 04 บนชุดทดสอบ SEED-ZH และ SEED-EN ตามลำดับ SIM อยู่ที่ 0.
- 96 และ STOI อยู่ที่ 0.
- 98 ดีกว่าโมเดลเปรียบเทียบอย่างมีนัยสำคัญ ในงาน ASR ปลายน้ำ…
สรุปสั้น
- เวลาเผยแพร่
- เวลาอัปเดต
- แหล่งที่มา
- 蚂蚁 inclusionAI:GitHub 新仓库
- หมวดหมู่
- เปิดตัวโมเดล
- คะแนน AI
- 57
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。
แหล่งที่มาและลิขสิทธิ์
บทความนี้เรียบเรียงจากพาดหัวคัดสรรและบทสรุป AI จาก API สาธารณะของ AIHOT โดยระบุแหล่งที่มาและลิงก์กลับแล้ว ลิขสิทธิ์ต้นฉบับเป็นของสื่อและผู้เขียนต้นทาง เว็บไซต์นี้ไม่ได้สะท้อนเนื้อหาฉบับเต็ม
วิธีอ้างอิง
เมื่ออ้างอิงบทความนี้ โปรดระบุชื่อเรื่อง วันที่ และลิงก์ถาวร พร้อมระบุแหล่งที่มาเป็น Orange News
Orange News: inclusionAI เปิดตัว MingTok-Audio ตัวแบ่งโทเคนเสียงต่อเนื่องแบบรวมศูนย์ตัวแรก 29 กันยายน 2025 https://new.nat6.net/th/news/cmorb7ik40079slhfn285yff9/