剛剛，kimi 發(fā)布全新通用音頻基礎(chǔ)模型 Kimi-Audio，這款由月之暗面（Moonshot AI）推出的開源模型，在 24 小時(shí)內(nèi)收獲 3.2 萬星標(biāo)，不僅以 1.28% 詞錯(cuò)率刷新語音識(shí)別紀(jì)錄，更在情感分析、聲音事件分類等十項(xiàng)任務(wù)中碾壓其他競(jìng)品，堪稱“六邊形戰(zhàn)士”——沒有短板，只有王炸。

傳統(tǒng)音頻模型往往專精單一任務(wù)：語音識(shí)別、情感分析、降噪……開發(fā)者需像拼樂高般組合多個(gè)工具。而 Kimi-Audio 的顛覆性在于，它用三層架構(gòu)統(tǒng)一了音頻處理各項(xiàng)任務(wù)：
音頻分詞器： 將聲音轉(zhuǎn)化為離散語義token，保留聲學(xué)細(xì)節(jié)；音頻大模型：基于Transformer處理多模態(tài)輸入，生成文本與音頻token；音頻去分詞器：通過流匹配技術(shù)，將token轉(zhuǎn)化為自然聲波。
這種設(shè)計(jì)讓模型能同時(shí)處理語音識(shí)別、情感分析、環(huán)境聲分類等任務(wù)，完成了從音頻輸入到文本輸出的全過程，這已經(jīng)超越了工具范疇，更像是擁有聽覺思維的智能體。

除了新穎的模型架構(gòu)外，Kimi-Audio 在數(shù)據(jù)建構(gòu)和訓(xùn)練方法上也下足了功夫。

在實(shí)際應(yīng)用中的表現(xiàn)方面，研究者們基于評(píng)估工具包對(duì) Kimi-Audio 在一系列音頻處理任務(wù)中的表現(xiàn)進(jìn)行了詳細(xì)評(píng)估，包括自動(dòng)語音識(shí)別（ASR）、音頻理解、音頻轉(zhuǎn)文本聊天和語音對(duì)話等。Kimi-Audio 的表現(xiàn)顯著超越了其他同類模型。

目前，Kimi-Audio的模型代碼、模型檢查點(diǎn)以及評(píng)估工具包已經(jīng)在 Github 上開源。

Kimi-Audio 的發(fā)布，恰逢 AI 多模態(tài)革命的臨界點(diǎn)。當(dāng) GPT-4o、Gemini 3.0 聚焦“視覺+文本”時(shí)，Kimi選擇押注被低估的聽覺賽道，為音頻技術(shù)領(lǐng)域帶來了新的突破和創(chuàng)新。