أطلقت شركة شياومي رسميًا نموذجها الكبير للتعرف على الكلام المستهدف Xiaomi-CocktailASR-1، والذي تم نشره مفتوح المصدر، وذلك في 11 سبتمبر. ووفقًا لبيانات شياومي التقنية على موقع ويبو، فإن هذا النموذج مصمم خصيصًا للتعامل مع السيناريوهات الصوتية المعقدة التي تتضمن حديث عدة أشخاص في وقت واحد، مع التركيز على حل مشكلة "حفل الكوكتيل" في التعرف على الكلام، أي القدرة على التعرف على صوت متحدث معين في بيئة صاخبة من بين عدة متحدثين.
بحسب ما ذكرته شياومي، يعتمد Xiaomi-CocktailASR-1 على بنية LLM من النهاية إلى النهاية، ويستخدم مقطعًا صوتيًا قصيرًا للمتحدث المستهدف كإشارة صوتية، مما يمكنه من استخراج محتوى المتحدث المستهدف فقط وتحويله إلى نص في حالة التداخل الصوتي بين عدة متحدثين. وأشارت الشركة إلى أن هذا النموذج تم تدريبه على بيانات ضخمة متعددة المتحدثين، وحقق أداءً متميزًا في عدة مجموعات اختبار رئيسية متعددة المتحدثين مثل AliMeeting وAMI وLibriMix.
Xiaomi-CocktailASR-1 يتميز بقدرة التعرف على الكلام متعدد المتحدثين
بالإضافة إلى ذلك، فإن أدائه في سيناريوهات المتحدث الواحد يمكن مقارنته بالنماذج الرائدة للتعرف على الكلام في حالة المتحدث الواحد، مما يمكنه من التعامل مع كل من السيناريوهات الفردية والمتعددة من خلال نفس النموذج، دون الحاجة إلى التبديل بين نماذج مختلفة للتعرف على الكلام. كما يتميز هذا النموذج بقدرته على رفض العينات السلبية، حيث يمكنه إخراج نص فارغ في حالة عدم وجود صوت المتحدث المستهدف في التسجيل الصوتي، مما يقلل من مخاطر التعرف الخاطئ أو التشغيل الخاطئ بسبب الكلام غير المستهدف.
كما أشارت شياومي إلى أن Xiaomi-CocktailASR-1 يدعم نمط التفكير المتسلسل، مما يمكنه من تقديم عملية استدلال قابلة للتفسير لنتائج التعرف. حاليًا، تم نشر أوزان النموذج وكود الاستدلال مفتوح المصدر.