As duas versões estão alinhadas bloco a bloco, pela ordem do texto: título, o essencial e depois parágrafo a parágrafo. Quando a tradução fundiu ou dividiu um parágrafo, a casa correspondente fica vazia — nunca aproximamos duas passagens a olho.
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.
A IA para áudio tem sido sobretudo questionada sobre uma pergunta: o que é aquele som? O novo modelo da Xiaomi acrescenta uma segunda: de onde vem? A 16 de outubro, a fabricante chinesa de eletrónica publicou o MiDashengLM-Spatial, um modelo de código aberto que responde às duas em simultâneo.
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.
O modelo assenta no modelo de áudio MiDashengLM da Xiaomi e alarga a série Dasheng da empresa, passando do reconhecimento do conteúdo sonoro para a compreensão do ambiente acústico que rodeia o utilizador. Funciona com áudio binaural, gravações feitas com dois microfones colocados como ouvidos. Dois ouvidos ouvem o mesmo som de forma ligeiramente diferente, e o cérebro deduz a direção a partir dessa diferença; o modelo aprende o mesmo tipo de pista a partir de gravações de dois canais. Mantém as capacidades do modelo de base, incluindo o reconhecimento de fala, a descrição sonora por legendas e a resposta a perguntas sobre sons ambientais e 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.
Os números de desempenho provêm da documentação do próprio projeto. No subconjunto espacial do STAR-Bench, um conjunto de testes com perguntas sobre áudio espacial, o modelo atinge uma precisão de 70,3 %, contra 73,7 % para os humanos. Tem cerca de 8 mil milhões de parâmetros, os valores ajustáveis que definem um modelo. Estes números não foram reproduzidos de forma independente no material analisado para este artigo. As limitações são concretas: as respostas espaciais exigem entrada binaural, enquanto o áudio mono comum ou o estéreo não binaural não cumpre os requisitos do modelo, e a sua execução requer uma GPU da NVIDIA compatível com CUDA, a plataforma de computação paralela que acelera as cargas de trabalho 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 os programadores, a mudança é imediata. Os pesos estão publicados no Hugging Face, o código no GitHub, e a licença Apache 2.0 permite a utilização em investigação e em produtos comerciais. A página do projeto no GitHub descreve-o, segundo os seus autores, como o primeiro modelo de código aberto de ponta a ponta que une a compreensão geral do áudio e a perceção espacial. Para a Xiaomi, o objetivo é mais claro do que o calendário: produtos para casas inteligentes e habitáculos de veículos, onde um dispositivo poderia virar-se na direção de uma voz ou reagir a um som atrás do condutor. A Xiaomi não indicou quando esses produtos chegarão, e não é nomeado nenhum parceiro nem 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.
O que continua em aberto é saber se os 70,3 % se confirmam em salas e automóveis reais, fora do ambiente de teste. A documentação refere que o modelo foi treinado com dados sintéticos e que generaliza bem para gravações binaurais reais, uma afirmação que os testadores externos terão de confirmar.