Este contenido presenta una demostración en vivo de LocalVQE, un pequeño modelo de IA de aproximadamente 1 millón de parámetros, capaz de cancelar el eco y el ruido en tiempo real. Está diseñado para un procesamiento de audio eficiente.
Llama.cpp (llama-server) ahora soporta procesamiento de audio con la funcionalidad Speech-to-Text (STT), integrando los modelos Gemma-4 E2A y E4A. Esta es una actualización significativa para la plataforma de inferencia de modelos de lenguaje.
Este artículo describe la creación del primer conjunto de datos de audio público para la detección del "first crack" en el tueste de café, llenando un vacío importante. El dataset, con 973 segmentos anotados de 10 segundos, fue construido desde cero y permitió que un modelo lograra una precisión del 100% gracias a elecciones de diseño cuidadosas.
Este contenido explora las representaciones de espectrogramas de audio para su procesamiento con Redes Neuronales Convolucionales. Se centra en cómo estas representaciones visuales del sonido pueden ser utilizadas eficientemente por las CNNs para diversas tareas.
Este informe técnico detalla la arquitectura, metodologías y métricas de rendimiento del sistema VibeVoice. Proporciona un análisis en profundidad de su tecnología subyacente e implementación.
Meta presentó SAM Audio, el primer modelo multimodal unificado para la separación de audio. Este avance representa un paso significativo en la inteligencia artificial para el procesamiento de sonido.
Este contenido explora el fenómeno de la alucinación en el modelo Whisper, explicando por qué las transcripciones pueden repetir la misma frase. Detalla las causas de este comportamiento cuando el modelo procesa períodos de silencio.