Las dos versiones están alineadas bloque a bloque, en el orden del texto: titular, lo esencial y después párrafo a párrafo. Cuando la traducción ha fusionado o dividido un párrafo, la casilla correspondiente queda vacía — nunca emparejamos dos pasajes a ojo.
Audio AI has mostly been asked one question: what is that sound? Xiaomi's new model adds a second one: where is it coming from. On 16 October, the Chinese electronics maker released MiDashengLM-Spatial, an open-source model that answers both at once.
La IA de audio se ha preguntado sobre todo una cosa: ¿qué sonido es ese? El nuevo modelo de Xiaomi añade una segunda: ¿de dónde viene? El 16 de octubre, el fabricante chino de electrónica publicó MiDashengLM-Spatial, un modelo de código abierto que responde a ambas preguntas a la vez.
The model is built on Xiaomi's MiDashengLM audio model and extends the company's Dasheng series from recognizing sound content to understanding the surrounding acoustic environment. It works on binaural audio, recordings made with two microphones placed like ears. Two ears hear the same sound slightly differently, and the brain reads direction from that gap; the model learns the same kind of cue from two-channel recordings. It keeps the abilities of its base model, including speech recognition, audio captioning and questions about environmental sounds and music.
El modelo se basa en el modelo de audio MiDashengLM de Xiaomi y amplía la serie Dasheng de la compañía, que pasa del reconocimiento del contenido sonoro a la comprensión del entorno acústico que lo rodea. Funciona con audio binaural, grabaciones hechas con dos micrófonos colocados como oídos. Dos oídos perciben el mismo sonido de forma ligeramente distinta, y el cerebro deduce la dirección a partir de esa diferencia; el modelo aprende el mismo tipo de indicio a partir de grabaciones de dos canales. Conserva las capacidades de su modelo base, como el reconocimiento de voz, la descripción automática de audio y las preguntas sobre sonidos ambientales y música.
The performance figures come from the project's own documentation. On the spatial subset of STAR-Bench, a benchmark of spatial audio questions, the model reaches 70.3% accuracy, against 73.7% for humans. It has about 8 billion parameters, the adjustable values that define a model. These numbers have not been independently reproduced in the material reviewed for this article. The limits are concrete: spatial answers need binaural input, while ordinary mono or non-binaural stereo audio does not meet the model's requirements, and running it requires an NVIDIA GPU supporting CUDA, the parallel computing platform that speeds up AI workloads.
Las cifras de rendimiento proceden de la documentación del propio proyecto. En el subconjunto espacial de STAR-Bench, un banco de pruebas de preguntas sobre audio espacial, el modelo alcanza una precisión del 70,3 %, frente al 73,7 % de los humanos. Tiene unos 8.000 millones de parámetros, los valores ajustables que definen un modelo. Estas cifras no han sido reproducidas de forma independiente en el material revisado para este artículo. Los límites son concretos: las respuestas espaciales requieren entrada binaural, mientras que el audio monofónico corriente o el estéreo no binaural no cumple los requisitos del modelo, y su ejecución exige una GPU de NVIDIA compatible con CUDA, la plataforma de computación paralela que acelera las cargas de trabajo de IA.
For developers, the change is immediate. The weights are published on Hugging Face, the code on GitHub, and the Apache 2.0 license allows use in research and commercial products. The project's GitHub page describes it, to its authors' knowledge, as the first open-source end-to-end model that unifies general audio understanding and spatial awareness. For Xiaomi, the target is clearer than the calendar: smart-home products and vehicle cabins, where a device could turn toward a voice or react to a sound behind the driver. Xiaomi has not said when those products will arrive, and no partner or device is named.
Para los desarrolladores, el cambio es inmediato. Los pesos están publicados en Hugging Face, el código en GitHub, y la licencia Apache 2.0 permite su uso en investigación y en productos comerciales. La página del proyecto en GitHub lo describe, según sus autores, como el primer modelo de código abierto de extremo a extremo que unifica la comprensión general del audio y la percepción espacial. Para Xiaomi, el objetivo está más claro que el calendario: electrodomésticos inteligentes y habitáculos de vehículos, donde un dispositivo podría girarse hacia una voz o reaccionar a un sonido detrás del conductor. Xiaomi no ha dicho cuándo llegarán esos productos, y no nombra ningún socio ni dispositivo.
What remains open is whether the 70.3% holds in real rooms and real cars, outside the benchmark. The documentation says the model was trained on synthetic data and still generalizes to real binaural recordings, a claim that outside testers will need to confirm.
Lo que queda por saber es si el 70,3 % se sostiene en salas y coches reales, fuera del banco de pruebas. La documentación indica que el modelo se entrenó con datos sintéticos y que, aun así, generaliza a grabaciones binaurales reales, una afirmación que deberán confirmar los probadores externos.