Xiaomi ra mắt mô hình AI nhận diện giọng nói mục tiêu CocktailASR-1 mã nguồn mở

Theo tin từ IT ngày 11 tháng 9, Xiaomi Technology hôm nay đã đăng tải thông báo về việc chính thức ra mắt và mã nguồn mở mô hình lớn nhận dạng giọng nói mục tiêu cấp công nghiệp mang tên Xiaomi-CocktailASR-1.

Phía Xiaomi cho biết, Xiaomi-CocktailASR-1 được thiết kế để giải quyết bài toán "tiệc cocktail" (Ghi chú của IT: Công nghệ nhận dạng giọng nói hiện nay đã có thể nhận dạng lời nói của một người với độ chính xác cao, nhưng khi số lượng người nói từ hai người trở lên, tỷ lệ nhận dạng giọng nói sẽ giảm đáng kể, bài toán này được gọi là vấn đề tiệc cocktail).

Mô hình này sử dụng kiến trúc LLM đầu cuối (end-to-end), lấy một đoạn âm thanh tham chiếu của người nói mục tiêu làm gợi ý dấu vân giọng (voiceprint), cho phép trích xuất và chỉ chuyển đổi thành văn bản giọng nói của người dùng mục tiêu trong môi trường phức tạp có nhiều người cùng nói chuyện. Mô hình đã đạt trạng thái SOTA (State-of-the-art) trên nhiều tập dữ liệu kiểm thử đa người nói phổ biến, vượt xa các giải pháp hiện có.

Đồng thời, hiệu suất nhận dạng đơn người của mô hình này sánh ngang với các mô hình ASR tiêu chuẩn, có thể đáp ứng liền mạch các kịch bản chỉ có một người nói; sở hữu khả năng từ chối nhận dạng các giọng nói gây nhiễu không phải mục tiêu, xuất văn bản trống khi mục tiêu không có mặt, giúp tránh kích hoạt nhầm hiệu quả; ngoài ra, mô hình còn hỗ trợ chế độ suy luận chuỗi tư duy (Chain-of-Thought), cung cấp quy trình suy luận có thể giải thích được cho kết quả nhận dạng.

IT đính kèm các liên kết liên quan:

GitHub: https://github.com/xiaomi-research/xiaomi-cocktailasr-1

HuggingFace: https://huggingface.co/Ease3/Xiaomi-CocktailASR-1

Tuyên bố quảng cáo: Các liên kết chuyển hướng bên ngoài có trong bài viết (bao gồm nhưng không giới hạn ở siêu liên kết, mã QR, mật khẩu, v.v.) được sử dụng để truyền tải thêm thông tin, tiết kiệm thời gian sàng lọc, kết quả chỉ mang tính chất tham khảo, các bài viết có chứa liên kết ngoài của IT đều bao gồm tuyên bố này.