Jinchuan Tian

Bagpiper 音频模型使用丰富的字幕处理开放式任务

研究人员推出 Bagpiper，一个拥有 80 亿参数的音频基础模型，旨在通过丰富、全面的自然语言描述来解读物理音频。该模型在 6000 亿个 token 上进行了预训练，建立了原始音频和概念理解之间的双向映射。Bagpiper 可以执行开放式音频任务，包括生成语音、音效和音乐，并在音频理解方面展现出与 7B Qwen-2.5-Omni 模型相当的性能。