CocktailASR-1 transcreve um falante em áudio misto
Modelo da Xiaomi usa uma voz de referência para transcrever o falante selecionado em áudio sobreposto; a publicação informa suporte a inglês e chinês.
O CocktailASR-1 é descrito como um modelo de reconhecimento de fala direcionado a um falante. Com uma voz de referência, busca transcrever a voz selecionada mesmo quando há falas sobrepostas. A publicação informa suporte a inglês e chinês.
O resultado pode interessar a engenheiros que avaliam reconhecimento de fala condicionado ao falante. Se usar IA para estudar ou aplicar a técnica, proteja gravações e transcrições: obtenha autorização, limite o acesso e evite enviar dados pessoais sem necessidade. A transcrição de áudio na Rota passa pela barreira de dados pessoais e pelas políticas da organização; isso não significa que a plataforma implemente esse modelo ou resolva o problema de engenharia.