跳到主要内容
检索

# SpheraAudio空间音频语言模型

1 篇关联报道

订阅更新
  1. arXiv

    多声道录音统一进一条词元流:SpheraAudio 在空间音频基准上超过 Spatial-Omni-7B

    现有大型音频语言模型为保持通用音频理解稳定,通常把声音压成单声道,声道间编码方向与距离的相位关系因此未被利用。SpheraAudio 接受单声道、立体声、一阶及更高阶 Ambisonics 录音,把多声道复频谱编码成空间词元,与音频词元按时间交错送入语言模型。在 SpheraQA、SO-Bench 与 TWNM 三个空间基准上,4B 规模的 SpheraAudio 均领先,SpheraQA 总体准确率 60.18%,比 Spatial-Omni-7B 高 18.53 个百分点。

已读完全部报道