小米雷军官宣：多项AI创新成果入选国际顶级会议ICASSP 2026

IT之家 1 月 22 日消息，小米创办人、董事长兼 CEO 雷军今日宣布，小米多项 AI 创新成果入选国际顶级会议 ICASSP 2026，涵盖音频理解、音乐生成评估、通用音频 - 文本预训练、视频到音频合成等多个 AI 领域的技术研究成果。ICASSP 是全球音频领域最具权威性与影响力之一的国际顶级学术会议，具有近 50 年历史，2026 年将在西班牙巴塞罗那举办。以下为小米本次入选的 AI 创新成果介绍：

一、《ACAVCAPS: ENABLING LARGE-SCALE TRAINING FOR FINE-GRAINED AND DIVERSE AUDIO UNDERSTANDING》

• 领域：音频理解
• 核心价值：解决现有音频数据集“规模与描述粒度难以兼顾”的瓶颈，推出 ACAVCaps 数据集，通过多级自动化标注框架实现高质量音频语义理解，推动音频 AI 从特征识别向语义理解发展。

二、《FEDERATED JOINT LEARNING FOR DOMAIN AND CLASS GENERALIZATION》

• 领域：联邦学习、多模态
• 核心价值：提出 FedDCG 方法，联合解决域泛化和类别泛化问题，提升模型在未知环境下的准确性与鲁棒性，适用于跨域图像分类等实际场景。

三、《FUSEMOS: PERCEPTUAL EVALUATION OF TEXT-TO-MUSIC GENERATION WITH DUAL-ENCODER FUSION AND RANKING-AWARE COMPOSITE LOSS》

• 领域：音乐生成、音频感知
• 核心价值：提出 FUSEMOS 双编码器架构，融合 CLAP 与 MERT 模型，实现更精准的音乐感知评估，在音乐感知评估任务中表现优异。

四、《GLAP: GENERAL CONTRASTIVE AUDIO-TEXT PRETRAINING ACROSS DOMAINS AND LANGUAGES》

• 领域：跨模态、多语言
• 核心价值：实现跨音频领域与跨语言的音频 - 文本对齐，支持多语言音频检索与生成，赋能小米“人车家全生态”中跨模态理解场景，降低下游产品研发门槛。

五、《MEANFLOW-ACCELERATED MULTIMODAL VIDEO-TO-AUDIO SYNTHESIS VIA ONE-STEP GENERATION》

• 领域：多模态生成、音频合成
• 核心价值：通过平均速度场建模与标量重缩放机制，实现视频同步音效生成的一步生成，提升推理效率与生成质量，适用于影视、短视频等场景。

六、《THINK-CLIP-SAMPLE: SLOW-FAST FRAME SELECTION FOR VIDEO UNDERSTANDING》

• 领域：长视频理解、多模态大语言模型
• 核心价值：提出无需训练的帧选择框架 TCS，通过多查询推理与片段级采样策略，提升长视频问答任务的准确性与效率，适用于移动端视频分析等场景。

七、《UNIFIED MULTIMODAL AND MULTILINGUAL RETRIEVAL VIA MULTI-TASK LEARNING WITH NLU INTEGRATION》

• 领域：多模态检索、多语言
• 核心价值：提出统一多任务学习框架，整合找图、找文、意图理解任务，实现跨模态、跨语言语义对齐，提升检索效率与准确性，为小米多模态检索提供轻量化解决方案。

这些创新成果的入选，彰显了小米在人工智能领域的持续创新能力，也验证了其在音频、多模态等领域的技术领先地位，为后续更多 AI 技术突破与应用落地奠定基础。