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