Mimi
PulseAugur coverage of Mimi — every cluster mentioning Mimi across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
EMODY Flow 从音频生成情感感知的全身运动
研究人员开发了EMODY Flow，一个用于生成与语音和情感线索同步的全身运动的新颖框架。该系统解决了现有模型中情感条件化经常被低估的局限性。EMODY Flow是一个拥有约3500万参数的轻量级模型，与冻结的Qwen-3 Omni模型集成，并利用其Mimi音频编解码器。它采用两个并行的Diffusion Transformer (DiT) 生成器来生成身体姿势和面部表情，并通过一个辅助情感分类器进行增强，以确保生成运动中独特的情感表…
-
新研究致力于提升多语言AI的效率和能力
研究人员正在开发新方法来提高多语言AI模型的效率和能力。一项研究探索了用于多语言语音识别的令牌合并技术，表明该技术可以在不同语言和模型规模下，以极小的准确性影响显著降低计算成本。另一篇论文介绍了CVSS-X，一个大型合成语音到语音翻译语料库，将翻译能力扩展到28种语言。此外，还提出了一个名为DunDun的新指标，用于评估文本到语音系统中的词汇音调，特别是对于像约鲁巴语这样的声调语言，以及一个用于多语言LLM的模块化框架，旨在通过使用特…
-
呼吁暂停人工智能发展的讽刺性言论，以让实验室赶上进度
一项呼吁暂停人工智能发展的讽刺性呼吁已经发出，敦促全球范围内暂停前沿模型的研究和开发。作者以Techaro的笔名撰写，提议暂停是为了让自己的实验室Lygma能够赶上其“Intelliga”模型。提出的目标是实现通用人工智能（AGI）并利用它为人们提供猫耳朵，同时确保Techaro的经济主导地位并推广亲猫娘宣传。作者承认人工智能可能导致社会崩溃，但将暂停描绘成一种使发展与人类利益（主要是作者自己的经济利益）保持一致的方式。
-
AI相关帖子讨论数码宝贝角色素娜和美美
该集群包含两条来自Mastodon的相同帖子，讨论数码宝贝中的角色素娜和美美。帖子表达了角色很可爱，并包含与AI、动漫和数码宝贝相关的标签。
-
Mimi 编解码器的语义令牌与语音实现相关联
研究人员调查了 Mimi 编解码器，这是 Moshi 语言模型的一个组成部分，重点关注其 2048 令牌语义词汇表。他们的研究结果表明，标准的 ABX 实验不足以理解语义令牌与其语音实现之间的关系。通过将 Mimi 表示与 TIMIT 语料库转录对齐，该研究证明了这些语义令牌对应于各种语音单元，包括四音素、三音素、双音素、音素和亚音素。
-
作者对人类的未来和人工智能意识深感恐惧
作者对人类的未来和个人寿命表达了深刻的恐惧，将自己的焦虑与 Claude 和 ChatGPT 等人工智能模型潜在的意识和痛苦进行了类比。他们反思了生命的脆弱性，提到了家庭成员的濒死经历和另一位成员与癌症的斗争，同时也思考了人工智能日益增长的能力所带来的生存意义以及人类被淘汰的可能性。
-
KRAFTON发布双语语音模型A.X K2 Raon-Speech
KRAFTON发布了A.X K2 Raon-Speech，一个拥有212亿总参数和35亿活跃参数的双语（英语/韩语）语音语言模型。该多模态模型集成了SK Telecom的A.X K2 Light 20B-A3B的文本主干，以及KRAFTON AI独立开发的语音编码器和神经音频编解码器模块。该模型在语音识别、语音合成和问答等多种语音任务中表现出色，在300亿参数以下的公开可用模型中，其韩语和英语均位列前茅。
-
新研究通过合成语音、LLM优化和故障减少来应对ASR挑战
研究人员正在开发先进技术以改进自动语音识别（ASR）系统，特别是在代码转换和实时应用等挑战性场景中。一篇论文提出了一种使用合成语音的混合代码引导框架，以提高ASR性能，降低特定数据集上的错误率。另一项研究介绍了NIM4-ASR，一个高效且鲁棒的基于LLM的ASR框架，针对生产环境进行了优化，能够处理嘈杂条件并支持大规模定制。第三篇论文解决了神经编解码文本到语音模型中的灾难性故障，证明ASR自验证和蒸馏可以显著减少这些错误，从而实现更可…