8月4日消息，小米正式發(fā)布并開(kāi)源聲音理解大模型MiDashengLM-7B，該模型是小米“人車(chē)家全生態(tài)”戰(zhàn)略的關(guān)鍵技術(shù)組件。
MiDashengLM通過(guò)統(tǒng)一理解語(yǔ)音、環(huán)境聲與音樂(lè)的跨領(lǐng)域能力，不僅能聽(tīng)懂用戶(hù)周?chē)l(fā)生了什么事情，還能分析發(fā)現(xiàn)這些事情的隱藏含義，提高用戶(hù)場(chǎng)景理解的泛化性。
基于MiDashengLM的模型通過(guò)自然語(yǔ)言和用戶(hù)交互，為用戶(hù)提更人性化的溝通和反饋，比如在用戶(hù)練習(xí)唱歌或練習(xí)外語(yǔ)時(shí)提供發(fā)音反饋并制定針對(duì)性提升方案，又比如在用戶(hù)駕駛車(chē)輛時(shí)實(shí)時(shí)對(duì)用戶(hù)關(guān)于環(huán)境聲音的提問(wèn)做出解答，其應(yīng)用場(chǎng)景有廣闊的空間。
結(jié)合高效的推理部署性能，MiDashengLM將廣泛賦能智能座艙、智能家居等場(chǎng)景，推動(dòng)多模態(tài)交互體驗(yàn)升級(jí)。
基于Xiaomi Dasheng音頻編碼器和Qwen2.5-Omni-7B Thinker自回歸解碼器構(gòu)建，通過(guò)通用音頻描述訓(xùn)練策略，實(shí)現(xiàn)對(duì)語(yǔ)音、環(huán)境聲音和音樂(lè)的統(tǒng)一理解。
訓(xùn)練數(shù)據(jù)100%來(lái)自公開(kāi)數(shù)據(jù)集，涵蓋五大類(lèi)110萬(wàn)小時(shí)資源，以Apache License 2.0協(xié)議發(fā)布，支持學(xué)術(shù)和商業(yè)應(yīng)用。
核心優(yōu)勢(shì)：
性能領(lǐng)先：在22個(gè)公開(kāi)評(píng)測(cè)集上刷新多模態(tài)大模型最好成績(jī)（SOTA），在音頻描述、聲音理解、音頻問(wèn)答任務(wù)中表現(xiàn)突出，同時(shí)具備可用的語(yǔ)音識(shí)別能力。其音頻編碼器Xiaomi Dasheng在X-ARES Benchmark多項(xiàng)關(guān)鍵任務(wù)，尤其是非語(yǔ)音類(lèi)理解任務(wù)上顯著優(yōu)于Whisper。
推理效率高：?jiǎn)螛颖就评淼氖譚oken延遲（TTFT）僅為業(yè)界先進(jìn)模型的1/4；同等顯存下數(shù)據(jù)吞吐效率是業(yè)界先進(jìn)模型的20倍以上，80GB GPU上處理30秒音頻并生成100個(gè)token時(shí)，batch size可達(dá)512，而同類(lèi)模型在batch size 16時(shí)即顯存溢出。
訓(xùn)練范式革新：采用通用音頻描述對(duì)齊范式，通過(guò)非單調(diào)全局語(yǔ)義映射，學(xué)習(xí)音頻場(chǎng)景深層語(yǔ)義關(guān)聯(lián)，避免傳統(tǒng)ASR轉(zhuǎn)錄數(shù)據(jù)對(duì)齊的局限，數(shù)據(jù)利用率高，還能捕捉說(shuō)話(huà)人情感、空間混響等關(guān)鍵聲學(xué)特征。
