多模态神经网络SALMONN 能够理解声音世界的AI模型

SALMONN是一个多模态神经网络，能够直接处理和理解包括语音、音频事件和音乐在内的一般音频输入，并在多种语音和音频任务上取得竞争性表现。

论文地址:https://arxiv.org/pdf/2310.13289v1.pdf

SALMONN采用了两个互补的音频编码器，一个用于处理语音，另一个用于处理非语音音频事件，以实现对各种音频任务的优越性能。

论文提出了激活调整阶段，以解决SALMONN在训练中过度拟合到某些任务的问题，该阶段能够使SALMONN具备跨模态的新能力，如问答和叙述。这一研究有望推动具有通用听觉能力的人工智能的发展。