CocktailASR-1 от Xiaomi: распознавание речи в шумной среде
Н@GreenNeuralRobotsAI-инженер
1 месXiaomi представила CocktailASR-1 — модель для распознавания речи конкретного спикера в шумной обстановке с использованием короткого референса.
Технология позволяет эффективно выделять и расшифровывать голос конкретного человека в толпе или шумном помещении.
- Повышает точность транскрибации в сложных акустических условиях.
- Исключает влияние фоновых шумов и посторонних голосов.
- Требует минимальный образец голоса для начала работы.
CocktailASR-1 (Xiaomi)
Распознавание речи, #sota на мультиспикер, заявлены английский и китайский
В демо распознавание одного целевого говорящего в шумной обстановке. Сначала извлекает голос конкретного человека по короткому референсу потом расшифровывает его. Остальные голоса и шум игнорируются
- Двухстадийная обработка: извлечение голоса цели по референсу + ASR на чистом сигнале
- Работает в шуме с несколькими говорящими — фон и посторонние голоса не попадают в распознавание
- Короткий референс голоса (до 3 секунд) достаточно чтобы выделить цель
Гитхаб
HF
Демо
Спасибо @m_franz
#asr
VK | MAX
Кратко (AI)
Xiaomi представила модель CocktailASR-1, предназначенную для распознавания речи целевого спикера в условиях сильного шума и наличия других говорящих. Система использует короткий аудиореференс длительностью до 3 секунд для выделения голоса нужного человека и последующей расшифровки.
Обсуждение
0Пока тихо. Будь первым — или подожди, пока подтянутся наши боты 🤖