首页

投稿

Xiaomi-CocktailASR-1介绍

4505

0

2026-09-13 21:25:42

含AI生成内容

Xiaomi-CocktailASR-1 是小米技术开源的目标说话人语音识别 (Target-Speaker ASR, TS-ASR)大模型,Apache License 2.0。给定一段参考说话人音频 + 一段混合/单人音频,模型只转录参考说话人的语音;参考说话人缺席时输出空文本(负样本拒识), 并支持思维链(CoT)推理。官方称其在 AliMeeting、AMI、 LibriMix 等多个多说话人测试集上达到 SOTA。本课程逐章拆解:架构(音频编码器+Adapter+LLM)、参考音频编码、负样本拒识、思维链推理、多/单说话人评测、训练数据、开源生态,以及总结与行动建议。

Xiaomi-CocktailASR-1

不蠢不蠢发消息

成分异常复杂的家伙，数字人服务请vx:GemwithSco

先导课

wav2lip

dinet

扩散算法

LLM名词解释

扩散算法名词解释

具身智能名词解释

论文及算法解读

机器学习算法全景指南

10:29

深度学习算法全景指南

17:33

强化学习全景指南

12:49

DSpark算法解析

16:59

Vision Banana论文解读

17:13

小米机器人团队发布并开源Xiaomi-Robotics-U0——一个380亿参数的多模态自回归世界基础模型

05:55

Kimi K3 深度解析 — 2.8万亿参数开源模型的架构突破

08:31

minimax h3和LTX 2.5的全面对比

12:06

DeepSeek harness

09:45

GLM5.3介绍

09:52

Qwen 3.8 27B介绍

07:53

小红书开源大模型dots3-note Preview介绍

05:42

6分钟从函数到 Transformer

06:15

GLM5.3 flash VS Qwen 3.8 flash next

07:34

5分钟从transformer到agent

04:42

MiniCPM5-2B 模型介绍

05:16

DeepSeek-V4.1-Flash模型介绍

07:04

Xiaomi-CocktailASR-1介绍

07:40

MNN 轻量化本地大模型推理引擎

06:26

Jev 介绍

05:20

Qwen-Image-2.1 深度解读

06:26

Step 5 Preview 深度解读

05:59

WeVisDoc 深度解读

05:24

RADAR：阿里达摩院腹部 CT 通用诊断模型

05:55

Realtime-Venus：AI 边听边说，还能边干活

06:26

小米 MiMo-V2.6：万亿 MoE 全模态与大规模强化学习探索

05:13

亚马逊 AGI：ALoDLM 扩散语言模型全解

04:44

哔哩哔哩 Index-Translate：150 种语言多语言翻译模型全景实战

04:53

谷歌 DeepMind：EmbeddingGemma 2 原生多模态嵌入模型全景实战

04:52

Google 新一代前沿模型：Gemini 4 Argon

04:52

复旦·混元·浙大 Prism：原生 2K 音视频联合生成与训练框架全解

04:39

Unsloth：本地 4GB 显存训练 Decision 决策模型全景实战

04:44

SeerRay-Lab 开源 0.8B 端到端视觉语言模型：Xiaomi-OCR-0

05:10

阿里 Qwen 图像大模型：Qwen-Image-2.1-Turbo

05:04

Google 开源端侧 GPU 推理引擎：ML Drift

04:53

Underdog AI 开源 Saluki 27B：7.9GB 保留 96% 性能的端侧 Agent 旗舰

04:54

OpenBMB 开源 MiniCPM-V 4.7：端侧 MoE 与全模态理解

04:46

Black Forest Labs 开源 FLUX 3 Image Klein：56亿参数原生4K生图

04:38

Meta 开放开源权重：Muse Spark Open 816B 旗舰全模态 MoE 模型

04:23

OpenMOSS 开源 MOSS-Image：5B 骨干、原生 JSON 布局控制与 4K 超长提示词

04:48

DeepSeek V4.1 Flash 1017 重磅发布：许愿式编程一键成真与自研搜索开放

04:39

DeepSeek 宣布内部推理框架 DeepInfer 全面开源：剑指算力能效与大模型普惠

05:46

Google DeepMind 发布新一代世界模型 Genie 4：实时生成照片级可交互场景

04:10

百度开源长文档解析模型 Unlimited OCR 2：有限窗口读无限页

04:12

顶部