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

美國公布 2025 年六月非農就業人數

美國勞工統計局今天報告稱，6 月非農業就業總人數增加了 14.7 萬人，失業率基本持平於 4.1%。州政府和醫療保健領域的就業機會增加。聯邦政府部門的就業機會持續減少。本新聞稿提供的統計數據來自兩項月度調查。家庭調查以人口統計特徵衡量勞動力狀況，包括失業率。機構調查以行業衡量非農業就業人數、工時和收入。家庭調查數據 6月份，失業率為 4.1%，失業人數為 700 萬，兩者皆變化不大。自2024年5月以來，失業率一直維持在 4.0% 至 4.2% 的窄幅區間內。在主要勞動族群中，非裔美國人（6.8%）的失業率在6月有所上升，而成年女性（3.6%）和白人（3.6%）的失業率則下降。成年男性（3.9%）、青少年（14.4%）、亞裔（3.5%）和西班牙裔（4.8%）的失業率在當月幾乎沒有變化。 6 月份，長期失業人數（失業 27 週或以上）增加了 19 萬，達到 160 萬，基本上抵消了上個月的降幅。長期失業者佔所有失業人口的 23.3%。 6 月份，勞動參與率基本維持不變，為 62.3%，就業人口比率維持在 59.7%。 6 月份，因經濟原因從事兼職工作的人數為 450 萬，基本維持不變。這些人原本更傾向於全職工作，但由於工作時間減少或無法找到全職工作，他們只能從事兼職工作。 6 月份，目前希望就業但未加入勞動力的人數基本保持不變，為 600 萬人。這些人未被計入失業人數，因為他們在調查前 4 週內沒有積極尋找工作，或無法接受工作。在希望就業但未加入勞動力隊伍的人數中，6 月處於邊緣就業狀態的人數增加了 23.4 萬人，達到 180 萬人。這些人希望工作，並且能夠工作，在過去 12 個月的某個時間點尋找工作，但在調查前 4 週內沒有尋找工作。灰心喪志的工人（邊緣就業人群中的一部分，他們認為沒有工作機會）的人數在 6 月增加了 25.6 萬人，達到 63.7 萬人。機構調查數據 6月份非農業就業總人數增加了 14.7 萬個，與過去 12 個月平均每月增加 14.6 萬個的水平持平。6月份，州政府和醫療保健領域的就業機會增加。聯邦政府的就業機會持續減少。 6月政府就業機會增加了 7.3 萬個。州政府就業機會增加了4.7萬個，主要集中在教育領域（增加了4萬個）。地方政府教育領域的就業機會持續增加（增加了2.3萬個）。聯邦政府就業機會持續減少（減少了7千個），自1月...

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

Multiverse Computing 推出微型高性能 AI 模型

據公司新聞稿稱，Multiverse Computing 表示已經解決了長期困擾人工智慧的一個問題：在不損失效能的情況下縮小模型。這家總部位於西班牙的公司週四發布了名為 "Model Zoo" 的產品，這是一系列 "奈米模型"，據稱這些模型可以在中等硬體上本地運行，同時性能可匹敵甚至超越更大型的系統。此次發表的產品包括兩款新產品——ChickenBrain 和 SuperFly，旨在證明在人工智慧領域，規模越大並不一定越好。 ChickenBrain 是 Meta 的 Llama 3.1 大型語言模型的精簡版，Multiverse 表示，該模型比通常所需的計算資源小 3700 倍。儘管如此，該模型在 MMLU Pro、MATH500、GSM8K 和 GPQA Diamond 等行業基準測試中仍優於 Llama 3.1 8B。該公司在 MacBook Pro 和低成本 Raspberry Pi 等日常設備上對其進行了測試，表明它無需專門的雲端基礎設施即可運行。 SuperFly 較小，基於開源的 SmolLM2 135 模型，僅有 9,400 萬個參數。 Multiverse 表示，它足夠小，可以容納兩隻蒼蠅的神經容量，比雞腦小 15000 倍。該模型旨在實現無需互聯網連接即可運行的對話式 AI，因此非常適合嵌入到消費產品和車輛中。該公司指出，SuperFly 可在智慧家電等領域實現直接應用，無需將資料傳送到雲端即可實現語音控制。這將使洗衣機或冰箱即使在離線狀態下也能回應簡單的語言指令。在汽車領域，它可以為車載助理提供動力，使其在沒有蜂窩信號覆蓋的區域也能繼續運行，處理導航、氣候和音頻任務。 https://theaiinsider.tech/2025/08/15/multiverse-computing-reports-it-shrinks-ai-models-without-sacrificing-power/ Picture Source: Multiverse Computing

閱讀完整內容

Kopy AI Blog

搜尋此網誌