GSLM2多流语音语言模型论文发布并开源

Yosuke Higuchi等作者发布论文，提出多流语音语言模型 GSLM2：编码器 SpidR 2.0 通过自监督学习在多个抽象层级生成离散语音单元，多流 SLM 用共享时间骨干和流特定预测器联合建模。 作者称，训练数据规模最高 6M 小时、模型参数最高 6.5B；在 sWuggy、sBLIMP、tSC 三项任务上，GSLM2 把语音与文本语言模型的差距缩小约两个数量级，并超过对比的语音-文本系统。这些为论文报告的结果。 训练代码和模型 checkpoint 已开源。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。