跳到正文

Kimi-Audio

面向语音与音频任务的开源音频基础模型

访问官网

Kimi-Audio 是什么

Kimi-Audio 被介绍为一个开源音频基础模型,面向语音识别、音频对话等音频处理任务,并在超过 1300 万小时的多样化音频与文本数据上完成大规模预训练。它采用混合音频输入与 LLM 核心,并配有基于流匹配的块级流式解码器。

你可以用它做什么

  • 识别音频中的语音
  • 对音频内容进行问答
  • 为音频内容生成字幕
  • 同时处理文本与音频输入

模型说明

  • 预训练使用超过 1300 万小时的音频与文本数据
  • 混合音频输入与 LLM 核心处理两种输入
  • 基于流匹配的块级流式解码器支持低延迟音频生成
  • 提供代码、模型检查点与评估工具包

上手流程

  • 从 GitHub 页面下载模型与代码
  • 安装所需依赖库并确认环境设置
  • 加载模型并设置采样参数
  • 准备音频输入或对话信息

优点与缺点

✓ 我们认可的地方

  • 语音识别、音频问答与音频字幕生成集于一体
  • 块级流式解码器面向低延迟音频生成

! 需要留意的地方

  • 资料记录的流程从下载模型与代码开始
  • 推理前需准备音频输入或对话信息

常见问题

预训练数据规模多大?

资料说明在超过 1300 万小时的多样化音频与文本数据上训练。

开源发布了什么?

功能列表列出代码、模型检查点与全面的评估工具包。

最后评测: 2026-11-15

更多 AI 音频工具 工具

查看全部 →

评测方法