Este conteúdo apresenta uma demonstração ao vivo do LocalVQE, um pequeno modelo de IA de cerca de 1 milhão de parâmetros, capaz de cancelar eco e ruído em tempo real. O modelo é projetado para processamento de áudio eficiente.
O llama.cpp (llama-server) agora suporta processamento de áudio com a funcionalidade Speech-to-Text (STT), integrando os modelos Gemma-4 E2A e E4A. Esta é uma atualização significativa para a plataforma de inferência de modelos de linguagem.
Este artigo detalha a criação do primeiro conjunto de dados de áudio público para detecção de "first crack" na torra de café, preenchendo uma lacuna significativa. O dataset, com 973 segmentos de 10 segundos anotados, foi construído do zero e permitiu um modelo com 100% de precisão devido a escolhas de design cuidadosas.
Este conteúdo explora as representações de espectrogramas de áudio para processamento com Redes Neurais Convolucionais. Ele foca em como essas visualizações de som podem ser usadas eficientemente por CNNs para diversas tarefas.
Este relatório técnico detalha a arquitetura, metodologias e métricas de desempenho do sistema VibeVoice. Ele oferece uma análise aprofundada de sua tecnologia subjacente e implementação.
A Meta apresentou o SAM Audio, o primeiro modelo multimodal unificado para separação de áudio. Este avanço representa um passo significativo na inteligência artificial para o processamento de som.
Este conteúdo explora o fenômeno da alucinação no modelo Whisper, explicando por que transcrições podem repetir a mesma frase. Ele detalha as causas por trás desse comportamento quando o modelo processa períodos de silêncio.