Ce contenu présente une démonstration en direct de LocalVQE, un petit modèle d'IA d'environ 1 million de paramètres, capable d'annuler l'écho et le bruit en temps réel. Il est conçu pour un traitement audio efficace.
Llama.cpp (llama-server) prend désormais en charge le traitement audio avec la fonctionnalité Speech-to-Text (STT), intégrant les modèles Gemma-4 E2A et E4A. C'est une mise à jour importante pour la plateforme d'inférence de modèles de langage.
Cet article décrit la création du premier ensemble de données audio public pour la détection du "first crack" dans la torréfaction du café, comblant une lacune notable. Le dataset, comprenant 973 segments annotés de 10 secondes, a été construit à partir de zéro et a permis à un modèle d'atteindre 100% de précision grâce à des choix de conception judicieux.
Ce contenu explore les représentations de spectrogrammes audio pour le traitement avec les Réseaux Neuronaux Convolutifs. Il se concentre sur la manière dont ces représentations visuelles du son peuvent être utilisées efficacement par les CNN pour diverses tâches.
Ce rapport technique détaille l'architecture, les méthodologies et les métriques de performance du système VibeVoice. Il offre une analyse approfondie de sa technologie sous-jacente et de sa mise en œuvre.
Meta a présenté SAM Audio, le premier modèle multimodal unifié pour la séparation audio. Ce développement représente une avancée significative en IA pour le traitement du son.
Ce contenu explore le phénomène d'hallucination dans le modèle Whisper, expliquant pourquoi les transcriptions peuvent répéter la même phrase. Il détaille les causes de ce comportement lorsque le modèle traite des périodes de silence.