Les deux versions sont alignées bloc par bloc, dans l’ordre du texte : titre, l’essentiel, puis paragraphe par paragraphe. Quand la traduction a fusionné ou scindé un paragraphe, la case correspondante reste vide — on ne rapproche jamais deux passages au jugé.
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.
L'IA audio n'a été interrogée, jusqu'à présent, que sur une seule question : quel est ce son ? Le nouveau modèle de Xiaomi en ajoute une seconde : d'où vient-il ? Le 16 octobre, le fabricant chinois d'appareils électroniques a publié MiDashengLM-Spatial, un modèle open source qui répond aux deux questions à la fois.
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.
Le modèle repose sur le modèle audio MiDashengLM de Xiaomi et étend la série Dasheng de l'entreprise, de la reconnaissance du contenu sonore à la compréhension de l'environnement acoustique qui l'entoure. Il fonctionne sur l'audio binaural, c'est-à-dire des enregistrements réalisés avec deux microphones placés comme des oreilles. Nos deux oreilles n'entendent pas tout à fait le même son, et le cerveau déduit la direction de cet écart ; le modèle apprend le même type d'indice à partir d'enregistrements à deux canaux. Il conserve les capacités de son modèle de base, notamment la reconnaissance vocale, la description audio et les questions sur les sons de l'environnement et la musique.
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.
Les performances annoncées proviennent de la documentation du projet elle-même. Sur le sous-ensemble spatial de STAR-Bench, un benchmark de questions sur l'audio spatial, le modèle atteint 70,3 % de précision, contre 73,7 % pour les humains. Il compte environ 8 milliards de paramètres, c'est-à-dire les valeurs ajustables qui définissent un modèle. Ces chiffres n'ont pas été reproduits de manière indépendante dans les documents examinés pour cet article. Les limites sont concrètes : les réponses spatiales exigent une entrée binaurale, alors qu'un son mono ordinaire ou une stéréo non binaurale ne répond pas aux exigences du modèle, et son exécution nécessite un GPU NVIDIA compatible CUDA, la plateforme de calcul parallèle qui accélère les charges de travail d'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.
Pour les développeurs, le changement est immédiat. Les poids sont publiés sur Hugging Face, le code sur GitHub, et la licence Apache 2.0 autorise l'usage dans la recherche comme dans les produits commerciaux. La page GitHub du projet le présente, à la connaissance de ses auteurs, comme le premier modèle open source de bout en bout qui unifie la compréhension générale de l'audio et la perception spatiale. Pour Xiaomi, la cible est plus claire que le calendrier : des produits domotiques et l'habitacle des véhicules, où un appareil pourrait se tourner vers une voix ou réagir à un son venant de derrière le conducteur. Xiaomi n'a pas indiqué quand ces produits arriveront, et aucun partenaire ni aucun appareil n'est nommé.
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.
Reste à savoir si les 70,3 % tiendront dans de vraies pièces et de vraies voitures, hors du benchmark. La documentation affirme que le modèle a été entraîné sur des données synthétiques et qu'il généralise néanmoins à de véritables enregistrements binauraux, une affirmation que des testeurs indépendants devront confirmer.