论文页面 - GigaChat Audio：时间感知的大规模音频语言模型

来源：https://huggingface.co/papers/2607.10387

摘要

对于音频条件的大语言模型而言，在长时间录音中进行时间定位仍然具有挑战性。我们提出了一种时间感知的音频大语言模型，能够对长达120分钟的输入进行带显式时间戳的问答。我们的方法通过级联管道的大规模合成监督，将周期性的时间标记与连续的音频令牌交错排列。该模型在短时和长时基准测试中均表现出强大的时间定位精度，并支持锚定时间点的片段描述和摘要。大量消融实验考察了时间表示、标记频率、分词方式和时长混合设计对精度和计算成本的影响。我们发布了模型权重和数据集，以支持时间感知音频理解的进一步研究，项目地址：https://huggingface.co/ai-sage/GigaChat3.1-Audio-10B-A1.8B。

查看 arXiv 页面（https://arxiv.org/abs/2607.10387）查看 PDF（https://arxiv.org/pdf/2607.10387）项目页面（https://huggingface.co/ai-sage/GigaChat3.1-Audio-10B-A1.8B）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2607.10387）