Modelo de audio de Xiaomi de 7.000 millones de parámetros que continúa y transforma voz, convierte voces, sintetiza habla según instrucciones y entiende audio.
Según Xiaomi, al entrenarlo con más de 100 millones de horas de audio aprende tareas nuevas a partir de unos pocos ejemplos, y logra los mejores resultados entre los modelos abiertos en comprensión de audio y diálogo hablado.
Pesos abiertos en Hugging Face con licencia MIT (versiones base e instruct, más su tokenizador de audio).
7.000 millones de parámetros; preentrenado con más de 100 millones de horas de audio.
