Le due versioni sono allineate blocco per blocco, nell’ordine del testo: titolo, l’essenziale, poi paragrafo per paragrafo. Quando la traduzione ha fuso o diviso un paragrafo, la casella corrispondente resta vuota — non accostiamo mai due passaggi a occhio.
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 è stata finora interrogata soprattutto su una domanda: che suono è? Il nuovo modello di Xiaomi ne aggiunge una seconda: da dove proviene? Il 16 ottobre il produttore cinese di elettronica ha rilasciato MiDashengLM-Spatial, un modello open source che risponde a entrambe le domande insieme.
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.
Il modello è costruito sul modello audio MiDashengLM di Xiaomi ed estende la serie Dasheng dell'azienda, passando dal riconoscimento del contenuto sonoro alla comprensione dell'ambiente acustico circostante. Funziona con audio binaurale, cioè registrazioni realizzate con due microfoni posizionati come orecchie. Due orecchie percepiscono lo stesso suono in modo leggermente diverso, e il cervello ricava la direzione da quello scarto; il modello apprende lo stesso tipo di indizio da registrazioni a due canali. Conserva le capacità del modello di base, tra cui il riconoscimento vocale, la sottotitolazione audio e le domande su suoni ambientali e musica.
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.
I dati sulle prestazioni provengono dalla documentazione del progetto. Sul sottoinsieme spaziale di STAR-Bench, un benchmark di domande sull'audio spaziale, il modello raggiunge il 70,3% di accuratezza, contro il 73,7% degli esseri umani. Ha circa 8 miliardi di parametri, cioè i valori regolabili che definiscono un modello. Questi numeri non sono stati riprodotti in modo indipendente nel materiale esaminato per questo articolo. I limiti sono concreti: le risposte spaziali richiedono un input binaurale, mentre l'audio mono ordinario o lo stereo non binaurale non soddisfa i requisiti del modello, e per farlo girare serve una GPU NVIDIA che supporti CUDA, la piattaforma di calcolo parallelo che accelera i carichi di lavoro dell'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.
Per gli sviluppatori il cambiamento è immediato. I pesi sono pubblicati su Hugging Face, il codice su GitHub, e la licenza Apache 2.0 consente l'uso nella ricerca e nei prodotti commerciali. La pagina GitHub del progetto lo descrive, per quanto ne sanno gli autori, come il primo modello open source end-to-end che unifica la comprensione audio generale e la consapevolezza spaziale. Per Xiaomi l'obiettivo è più chiaro del calendario: dispositivi per la casa intelligente e abitacoli delle auto, dove un apparecchio potrebbe orientarsi verso una voce o reagire a un suono alle spalle del conducente. Xiaomi non ha detto quando questi prodotti arriveranno, e non sono stati nominati né partner né dispositivi.
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.
Resta da capire se il 70,3% regga in stanze e auto reali, al di fuori del benchmark. La documentazione afferma che il modello è stato addestrato su dati sintetici e che generalizza comunque a registrazioni binaurali reali, un'affermazione che i tester indipendenti dovranno confermare.