标签
本文介绍了SEAR系统，用于多语言语音选择题，通过片段证据感知路由、监督微调和强化学习，在MLC-SLM挑战赛中实现了90.92%的准确率。
FireRedAudio 和 FireRedTTS3 是统一音频理解与生成的AI模型，提供ASR、TTS、语音克隆、编辑和多语言支持，并具有竞争力的基准测试结果。
本文介绍了 GigaChat Audio，一个时间感知的大型音频语言模型，能够对长达120分钟的音频回答问题并给出明确的时间戳，使用交错周期性时间标记和合成监督。该模型在基准测试中实现了强时间定位准确性，作者已发布模型权重和数据集。
本文介绍了Audio-Interaction，一种统一的流式音频模型，通过端到端框架将离线任务执行与实时音频指令跟随相结合。它提出了用于感知-决策-响应循环的SoundFlow，并在多个基准测试中评估了其具有竞争力的性能。
StepAudio 2.5 是一个统一的音频-语言模型，通过利用针对任务定制的基于人类反馈的强化学习来优化共享表示，在自动语音识别（ASR）、文本转语音（TTS）和实时口语交互方面取得了最先进的结果。