Xiaomi 發布原生端到端語音大模型 Xiaomi-MiMo-Audio

本週，小米宣布了一項大膽舉措：開源其旗艦端對端 AI 語音模型 Xiaomi-MiMo-Audio。這意義非凡？ Xiaomi-MiMo-Audio 專為真正的語音情境學習而設計——這項突破有望徹底改變 AI 在語音驅動平台上的理解和互動方式。

Xiaomi-MiMo-Audio 摒棄了以往那種需要淹沒在標記資料中才能得出結果的方法，只需少量樣本即可泛化並適應新任務。這與我們在語言領域看到的 GPT-3 等模型的轉變非常相似——只不過現在，這種轉變發生在語音領域。該模型經過數億小時音訊資料的精心訓練，不僅具備解析內容的 IQ（智慧），還具備理解語氣和意圖的 EQ（情緒智商），這對於商業應用和麵向客戶的產品來說是一個重大進步。

MiMo-Audio 與其他競爭解決方案的不同之處在於其在無損壓縮預訓練方面的技術飛躍，這使得模型能夠實現大規模跨任務泛化。實際上，這使得企業能夠部署 AI 語音應用程序，大幅降低數據需求，並更快地適應新任務和新行業。

小米不僅在創新，還在分享策略。該公司不僅開放了模型本身，還開放了其分詞器、全新開發的模型結構、先進的訓練工具和評估套件。此舉將加速整個 AI 語音生態系統的進步，讓開發者和企業能夠獲得成熟、久經考驗且可靈活調整以適應客製化用例的技術。

在實現方面，小米 MiMo 音訊的預訓練和微調模型可在 Huggingface 平台上訪問，其分詞器已發佈在GitHub上。該模型基於一個擁有 12 億參數的 Transformer 架構構建，使其在音訊重建和音訊轉文字任務中都具有強大的穩健性。

MiMo-Audio-Tokenizer

MiMo-Audio-Tokenizer 是一款擁有 12 億參數、工作頻率為 25 Hz 的 Transformer。它採用八層 RVQ 堆棧，每秒產生 200 個 token。透過聯合優化語義和重構目標，我們在 1000 萬小時的語料庫上從頭開始訓練 MiMo-Audio-Tokenizer，實現了卓越的重構質量，並助力下游語言建模。

MiMo-Audio 結合了區塊編碼器、LLM 和區塊解碼器，以提高高速率序列的建模效率，並彌補語音和文字之間的長度不匹配問題。塊編碼器將四個連續時間步長的 RVQ 標記聚合成一個塊，並將序列下採樣為 LLM 的 6.25 Hz 表示。區塊解碼器透過延遲產生方案自回歸產生完整的 25 Hz RVQ 標記序列。

https://kopyai.com/zh-tw/latest/view/type.news/0/50

Picture Source
Xiaomi

留言

這個網誌中的熱門文章

標普 500 指數和那斯達克指數結束兩週連漲勢頭，人工智慧引發的動盪令科技股承壓

週五美國股市波動劇烈，半導體股在有關 OpenAI ( OPAI.PVT ) IPO 可能推遲的報道出現後回落，這加劇了本週令市場劇烈震蕩的不利因素。科技股為主的那斯達克指數（^IXIC）下跌 0.2%，而標準普爾 500 指數（^GSPC）小幅下跌，這兩個指數本週分別下跌超過 4% 和近 2%。道瓊工業指數（^DJI）科技股佔比較低，跌破橫盤整理線，但周漲幅不到 1%。蘋果公司（ AAPL）上調 MacBook 和 iPad 價格後，人們越來越擔心記憶體和儲存組件成本飆升可能會衝擊設備製造商。內存晶片製造商美光科技（ MU）亮眼的財報表明，這種成本壓力還將繼續。同時，《紐約時報》報道稱，OpenAI 正在考慮將其巨額 IPO 推遲到 2027 年，這也抑制了人們對科技股的興趣。由於市場預期聯準會今年將升息，人工智慧交易已承壓。聯準會首選的通膨指標—個人消費支出指數— —5月份的強勁表現，進一步鞏固了這一預期。 https://kopyai.com/zh-tw/markets/view/type.stock.us/0/165 Picture Source unsplash

閱讀完整內容

西班牙監管機構表示，歐盟數位貨幣監管截止日期不會延長，幣安仍未獲得許可

西班牙最高證券監管機構週五表示，該國不會延長數位貨幣公司根據新規註冊的最後期限——儘管幣安公司正努力完成註冊。根據歐盟新實施的 MiCA 數位貨幣框架，企業必須在 7 月 1 日前在成員國註冊並繼續營運。如果未能在下週前完成註冊，則將強制停止營業。下週後，歐洲消費者將無法與未經授權的數位貨幣服務提供者進行交易。全球最大的數位貨幣交易所幣安曾申請在希臘根據《貨幣與公司法》（MiCA）註冊。但先前有報告指出希臘不太可能批准註冊申請，幣安本周宣布撤回在希臘的申請。目前，幣安正尋求在另一個歐盟成員國註冊，但由於下週三截止日期臨近，幣安很可能被迫至少暫時停止在歐洲的業務運作。根據路透社報道，西班牙國家證券市場委員會主席卡洛斯·聖巴西利奧週五表示，7 月 1 日的最後期限“不會有任何例外或延期”。聖巴西利奧對幣安等大型數位貨幣平台表示擔憂，這些平台由於缺乏 MiCA 合規性，可能在幾天內關閉。他說：“我們擔心的是……過渡期的結束將如何展開，以及人們將如何適應新的環境。” 該監管機構補充說，他和一些人正在與尚未獲得牌照的主要數位貨幣公司聯繫，以確保他們制定計劃將客戶資產轉移到其他提供者，並確保投資者的權利。一旦數位貨幣公司在歐盟國家註冊，其牌照即可「通行」至其他司法管轄區。歐盟成員國在金融監管方面採取了多種不同的方法，從塞浦路斯和馬耳他等較為寬鬆的監管體系，到法國和德國等以監管嚴格著稱的體系，不一而足。雖然每個歐盟國家處理申請的方式可能各不相同，但所有國家都將執行同一套更廣泛的數位貨幣相關規則。 https://kopyai.com/zh-tw/markets/view/type.stock.us/0/166 Picture Source unsplash

閱讀完整內容

DeepSeek-V3.1 發布，邁向 AI Agent

DeepSeek-V3.1 在 DeepSeek-V3.1-Base 的基礎上進行後訓練，後者基於原始 V3 基礎檢查點，通過兩階段長上下文擴展方法構建，遵循原始 DeepSeek-V3 報告中概述的方法。 DeepSeek 透過收集更多長文件並大幅擴展兩個訓練階段來擴展資料集。32K 擴展階段的標記數量增加了 10 倍，達到 6,300 億個標記，而 128K 擴展階段的標記數量增加了 3.3 倍，達到 2,090 億個標記。此外，DeepSeek-V3.1 使用 UE8M0 FP8 規模資料格式進行訓練，以確保與微尺度資料格式相容。 DeepSeek-V3.1 是一個同時支持思考模式和非思考模式的混合模型。相較於上一版本，本次升級帶來了多個方面的改進：混合推理：思考與非思考－一個模型，兩種模式更快的思考：DeepSeek-V3.1-Think 與 DeepSeek-R1-0528 相比，可以在更短的時間內找到答案更強大的代理商技能：後製訓練可提高工具使用率和多步驟代理任務 DeepSeek-V3.1 模型提升了工具使用、程式碼生成和推理效率，在高難度基準測試中實現了與 DeepSeek-R1 相當的效能，同時響應速度更快。它支援結構化工具呼叫、代碼代理和搜尋代理，適用於研究、編碼和代理工作流程。工具和代理程式升級在 SWE / Terminal-Bench 上獲得更好的結果針對複雜搜尋任務的更強大的多步驟推理思考效率大幅提升模型更新 V3.1 基礎：在 V3 基礎上繼續對 840B 個 token 進行預訓練，以進行長上下文擴展 Tokenizer 和聊天範本已更新 - 新的 tokenizer 設定： https://huggingface.co/deepseek-ai/DeepSeek- V3.1/blob/main/tokenizer_config.json V3.1 基礎開源權重： https://huggingface.co/deepseek-ai/DeepSeek-V3.1-Base V3.1 開源權重： https://huggingface.co/deepseek-ai/DeepSeek-V3.1 價格變動新定價開始及非高峰折扣結束時間為 2025 年 9 月 5 日 16:00（UTC 時間）在此之前，API 遵循當前定價 ...

閱讀完整內容

Kopy AI Blog

搜尋此網誌