Xiaomi abre código do modelo de áudio espacial MiDashengLM-Spatial
A Xiaomi disponibilizou em código aberto o MiDashengLM-Spatial sob licença Apache 2.0, modelo de IA multimodal que identifica a direção e a distância de sons em áudio estéreo.
A divisão de pesquisa em inteligência artificial da Xiaomi liberou publicamente os pesos e o código de inferência do MiDashengLM-Spatial sob licença de código aberto Apache 2.0. A novidade, anunciada oficialmente em outubro de 2026 e reportada por veículos internacionais como o TechNode e o Pandaily, representa a primeira arquitetura unificada de ponta a ponta do setor a combinar compreensão geral de áudio com percepção espacial tridimensional.
Diferente de modelos de áudio tradicionais projetados para canais monoaurais (que descartam diferenças de fase e amplitude entre canais), a ferramenta foi treinada com áudio binaural para não apenas reconhecer o que está sendo dito ou tocado, mas também determinar a direção exata, a distância e a trajetória de movimento das fontes sonoras no ambiente.
Como funciona a arquitetura do MiDashengLM-Spatial
O modelo conta com cerca de 8 bilhões de parâmetros e toma como base o MiDashengLM-7B, lançado anteriormente pela fabricante chinesa. Para incorporar a percepção de espaço, os pesquisadores integraram um codificador acústico denominado Spatial-Dasheng, composto por 12 camadas neurais, que opera em paralelo ao codificador semântico original de 32 camadas.
A conexão entre os dois fluxos ocorre por meio do módulo HSSC (Hierarchical Semantic-to-Spatial Conditioning). Esse componente injeta representações semânticas intermediárias em quatro níveis de profundidade no ramo espacial, permitindo que o sistema diferencie e localize até três fontes sonoras sobrepostas sem corromper a capacidade de compreensão geral de fala e áudio. Os arquivos de pesos foram publicados no Hugging Face, acompanhados pelo repositório de testes no GitHub.
Desempenho nos testes de localização acústica
De acordo com o relatório técnico disponibilizado pela equipe no arXiv, a equipe da Xiaomi desenvolveu um pipeline sintético que gerou 1 milhão de trechos de áudio multicanal e 6 milhões de pares de perguntas e respostas espaciais. O conjunto totaliza cerca de 13.000 horas de áudio simulado, resultando em uma média de aproximadamente 46,8 segundos por amostra sonora (cálculo próprio com base nos dados do projeto).
Em benchmarks de localização e detecção de eventos sonoros (SELD), o Spatial-Dasheng superou soluções abertas anteriores em ambientes acústicos reais:
Modelo
EasyCom (F-Score)
EasyCom (Erro de Direção)
MRSSound (F-Score)
Spatial-AST
6,9%
84,8°
16,5%
PSELDNets
26,1%
54,5°
15,9%
Spatial-Dasheng
31,6%
42,5°
26,4%
No conjunto de dados EasyCom, a pontuação F-score de 31,6% do Spatial-Dasheng representa um avanço relativo de cerca de 358% em relação aos 6,9% do Spatial-AST (cálculo próprio com base nas métricas oficiais divulgadas).
Aplicações no ecossistema e impacto para o Brasil
A Xiaomi informou que a família de tecnologias Dasheng já sustenta mais de 30 recursos comerciais em operação na China, cobrindo áreas como cancelamento de ruído, transcrição de voz e detecção de sons ambientais. Com o MiDashengLM-Spatial, o objetivo declarado é integrar a audição direcional aos carros elétricos da marca, à automação residencial e a robôs inteligentes da Xiaomi, viabilizando que assistentes virtuais saibam de qual cômodo ou assento um comando foi emitido.
Para o mercado brasileiro, contudo, ainda não há previsão oficial nem cronograma divulgado para a implementação do recurso na assistente Xiao AI em português ou em dispositivos importados. Enquanto a fabricante não anuncia cronogramas comerciais para o Ocidente, a liberação sob licença Apache 2.0 beneficia desenvolvedores locais e laboratórios de inteligência artificial, que podem auditar e integrar o modelo em sistemas próprios de robótica e dispositivos de áudio sem cobrança de royalties, acompanhando a evolução dos recursos de IA em smartphones Xiaomi e aparelhos conectados.
