step-audio-r1.1 リアルタイム会話製品における1.51秒TTFAの意味

Step-Audio-R1.1は、ディープ推論とリアルタイムの両方を考慮したスピーチ推論ランキングで優勝しています

Step-Audio-R1.1が発表され、Artificial Analysisの音声推論リストで1位にランクされました。 BigBench Audioテストでは約96.4%の精度を達成し、リアルタイムの会話シーンでは約1.51秒の初フレーム音声出力を達成しました。 プロジェクトチームは、このモデル...