Dieser Inhalt zeigt eine Live-Demo von LocalVQE, einem winzigen KI-Modell mit etwa 1 Million Parametern, das Echo und Rauschen in Echtzeit unterdrücken kann. Es ist für eine effiziente Audioverarbeitung konzipiert.
Llama.cpp (llama-server) unterstützt nun offiziell Speech-to-Text (STT)-Funktionen durch die Integration der Gemma-4 E2A- und E4A-Modelle. Dieses Update bringt fortschrittliche Audioverarbeitung auf die beliebte Open-Source-Plattform für KI-Inferenz.
Dieser Artikel beschreibt die Erstellung des ersten öffentlichen Audiodatensatzes zur Erkennung des First Crack beim Kaffeerösten, wodurch eine erhebliche Lücke in den verfügbaren Ressourcen geschlossen wird. Der sorgfältig von Grund auf aufgebaute Datensatz mit 973 annotierten 10-Sekunden-Segmenten führte dank sorgfältiger Datenteilung und Verlustgewichtung zu einem Modell mit 100%iger Präzision.
Dieser Inhalt untersucht Audiospektrogramm-Darstellungen für die Verarbeitung mit Convolutional Neural Networks. Er konzentriert sich darauf, wie diese visuellen Klangrepräsentationen effizient von CNNs für verschiedene Aufgaben genutzt werden können.
Dieser technische Bericht beschreibt die Architektur, Methodologien und Leistungsmetriken des VibeVoice-Systems. Er bietet eine eingehende Analyse seiner zugrundeliegenden Technologie und Implementierung.
Meta hat SAM Audio vorgestellt, das erste einheitliche multimodale Modell für die Audiospaltung. Diese Entwicklung stellt einen bedeutenden Schritt in der KI für die Klangverarbeitung dar.
Dieser Inhalt untersucht das Phänomen der Halluzination im Whisper-Modell und erklärt, warum Transkripte dieselbe Phrase wiederholen können. Er erläutert die Ursachen dieses Verhaltens, wenn das Modell Stilleperioden verarbeitet.