Αυτή την εβδομάδα, η Xiaomi ανακοίνωσε μια τολμηρή κίνηση: ανοίγει το Xiaomi-MiMo-Audio, το κορυφαίο μοντέλο φωνής τεχνητής νοημοσύνης από άκρο σε άκρο. Το Xiaomi-MiMo-Audio έχει σχεδιαστεί για πραγματική μάθηση εντός πλαισίου στην ομιλία – μια σημαντική ανακάλυψη που είναι έτοιμη να αλλάξει τον τρόπο με τον οποίο η τεχνητή νοημοσύνη μπορεί να κατανοήσει και να αλληλεπιδράσει σε πλατφόρμες που βασίζονται στη φωνή.
Αντί της παλιάς μεθόδου του choking σε ετικέτες δεδομένων για την εξαγωγή αποτελεσμάτων, το Xiaomi-MiMo-Audio μπορεί να γενικεύσει και να προσαρμοστεί σε νέες εργασίες με λίγα μόνο παραδείγματα. Αυτό θυμίζει αξιοσημείωτα την αλλαγή που είδαμε με μοντέλα όπως το GPT-3 στον γλωσσικό τομέα – εκτός όπου τώρα συμβαίνει και για τη φωνή. Το μοντέλο έχει εκπαιδευτεί σχολαστικά σε εκατοντάδες εκατομμύρια ώρες ηχητικών δεδομένων, δίνοντάς του όχι μόνο το IQ για την ανάλυση περιεχομένου, αλλά και το EQ για την κατανόηση του τόνου και της πρόθεσης, κάτι που αποτελεί σημαντική πρόοδο για τις επιχειρηματικές εφαρμογές και τα προϊόντα που απευθύνονται σε πελάτες.
Αυτό που διαφοροποιεί το MiMo-Audio από τις ανταγωνιστικές λύσεις είναι το τεχνικό άλμα που προσφέρει στην προ-εκπαίδευση συμπίεσης χωρίς απώλειες, επιτρέποντας στο μοντέλο να ξεκλειδώσει τη γενίκευση μεταξύ διαφορετικών εργασιών σε μεγάλη κλίμακα. Στην πράξη, αυτό επιτρέπει στις επιχειρήσεις να αναπτύσσουν εφαρμογές φωνής AI με δραματικά μειωμένες απαιτήσεις δεδομένων και πολύ ταχύτερη ενσωμάτωση για νέες εργασίες και κλάδους.
Η Xiaomi δεν καινοτομεί απλώς — μοιράζεται το εγχειρίδιο. Η εταιρεία έχει διαθέσει όχι μόνο το ίδιο το μοντέλο, αλλά και τον tokenizer της, μια πρόσφατα αναπτυγμένη δομή μοντέλου, προηγμένα εργαλεία εκπαίδευσης και μια σουίτα αξιολόγησης. Αυτή η κίνηση θα πρέπει να επιταχύνει την πρόοδο σε όλο το οικοσύστημα φωνής AI, παρέχοντας στους προγραμματιστές και τις επιχειρήσεις πρόσβαση σε ώριμη, δοκιμασμένη τεχνολογία, η οποία μπορεί να προσαρμοστεί ανάλογα σε διάφορες περιπτώσεις χρήσης.
Για την υλοποίηση, τα μοντέλα προ-εκπαίδευσης και βελτιστοποίησης του Xiaomi-MiMo-Audio είναι προσβάσιμα στην πλατφόρμα Huggingface, με τον tokenizer να κυκλοφορεί στο GitHub. Το μοντέλο βασίζεται σε μια αρχιτεκτονική Transformer 1,2 δισεκατομμυρίων παραμέτρων, καθιστώντας το ισχυρό τόσο για ανακατασκευή ήχου όσο και για εργασίες μετατροπής ήχου σε κείμενο.
