8月4日消息，小米正式發(fā)布并開源聲音理解大模型MiDashengLM-7B，該模型是小米“人車家全生態(tài)”戰(zhàn)略的關(guān)鍵技術(shù)組件。
MiDashengLM通過統(tǒng)一理解語音、環(huán)境聲與音樂的跨領(lǐng)域能力，不僅能聽懂用戶周圍發(fā)生了什么事情，還能分析發(fā)現(xiàn)這些事情的隱藏含義，提高用戶場景理解的泛化性。
基于MiDashengLM的模型通過自然語言和用戶交互，為用戶提更人性化的溝通和反饋，比如在用戶練習(xí)唱歌或練習(xí)外語時(shí)提供發(fā)音反饋并制定針對性提升方案，又比如在用戶駕駛車輛時(shí)實(shí)時(shí)對用戶關(guān)于環(huán)境聲音的提問做出解答，其應(yīng)用場景有廣闊的空間。
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，通過通用音頻描述訓(xùn)練策略，實(shí)現(xiàn)對語音、環(huán)境聲音和音樂的統(tǒng)一理解。
訓(xùn)練數(shù)據(jù)100%來自公開數(shù)據(jù)集，涵蓋五大類110萬小時(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：
性能領(lǐng)先：在22個(gè)公開評(píng)測集上刷新多模態(tài)大模型最好成績（SOTA），在音頻描述、聲音理解、音頻問答任務(wù)中表現(xiàn)突出，同時(shí)具備可用的語音識(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)，尤其是非語音類理解任務(wù)上顯著優(yōu)于Whisper。
推理效率高：單樣本推理的首Token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齊范式，通過非單調(diào)全局語義映射，學(xué)習(xí)音頻場景深層語義關(guān)聯(lián)，避免傳統(tǒng)ASR轉(zhuǎn)錄數(shù)據(jù)對齊的局限，數(shù)據(jù)利用率高，還能捕捉說話人情感、空間混響等關(guān)鍵聲學(xué)特征。
