大神Karpathy鼎力推薦，開源版「Her」Moshi再引關注！

（Moshi）的性格非常有趣，它會突然斷斷續續，有時會無緣無故沉默……

就像下面這樣，一位小哥在和Moshi聊天時，Moshi化身打工人，精神狀態十分美麗（doge）。

（一直向小哥抱怨壓力大，導致小哥完全插不進話）

據了解，Moshi是一款端到端實時音頻模型，于今年7月初由一家法國創業團隊Kyutai發布。

不僅發布后人人免費可玩，而且就在剛剛，Kyutai將Moshi的代碼、技術報告來了個大公開。

這波屬實驚喜了，當初搶先試玩的谷歌DeepMind研究員、ViT作者Lucas Beyer聞聲趕來：

（剛好）我最近就想知道這個問題

開源工程師Sebastian Rojo原地啟動好學模式。

是時候學起來了！

當然，一直慢騰騰的OpenAI再次被“當眾處刑”。（其高級語言模式7月底上線后，仍只面向小部分人開放）

驚人的！當我們仍在等待OpenAI的高級語音模式時，人們可以開始使用Moshi并進行構建。

Moshi技術細節大公開

話不多說，先來開個箱，看看Kyutai這次放出了哪些東西。

• 一份長篇技術報告。揭露Moshi模型背后細節、權重、代碼；
• GitHub官方倉庫；
• HuggingFace模型庫；

首先來看模型。Kyutai這次發布了3個模型，分別是Moshiko、Moshika，以及Mimi流語音編解碼器。

Moshi的參數大約為7.69B，Moshiko/ka是Moshi對合成數據進行微調后的變體，分為男女兩個聲音。

讓它們自行對話， be like：

可以看出，它們都能在一臺MacBook上運行，且據介紹，這些模型在L4 GPU上實現了約200毫秒的延遲。

至于變體的內存需求，bf16、8位和4位精度，對應的內存分別為16GB、8GB和4GB VRAM。

另外，Moshi使用了一個名為Mimi的流式神經音頻編解碼器，能夠處理24 kHz音頻（以1.1kbps的速度將24 kHz音頻壓縮至12.5Hz），并且支持多種預訓練模型。

Mimi受SpeechTokenizer啟發，通過蒸餾技術聯合建模語義和聲學信息，并且通過對抗性訓練提升了性能，專門用來和大語言模型協同工作。

其次，從官方公布的技術細節來看，Moshi項目主要由三個組件構成：

• Helium語言模型（擁有70億參數并在2.1萬億tokens上進行訓練）
• Mimi神經音頻編解碼器（能夠建模語義和聲學信息）
• 一種新的多流架構（能夠在單獨的頻道上分別對用戶和Moshi的音頻進行建模）

展開來說，Moshi團隊對Helium進行了增強，采用了RQ-Transformer變體架構，這使得Helium能夠在不增加序列長度的情況下建模語義和聲學標記的層次結構。

官方自稱，他們對生成音頻的主要貢獻是多流建模技術（multi-stream modeling）。

能夠在每個時間步中堆疊Moshi和用戶的tokens，以模擬全雙工對話的動態，包括重疊、反向通道和中斷等。

還包括內心獨白技術（Inner Monologue），它進一步提高了生成語音的質量，通過預測時間對齊的文本來增強Moshi的智能性，同時保持與流媒體的兼容性。

此外，“內心獨白”的一個延伸是：通過調整音頻和文本標記的延遲，Moshi能夠實現流式TTS和ASR功能。

在大規模音頻預訓練后，官方利用自己的模型創建了20k小時的合成對話數據，用于評估Moshi在質量、音頻語言建模和口語問答方面的表現，以及進行了安全和量化分析。

評估結果顯示，Moshi在性能上優于之前發布的模型。

OpenAI版「Her」仍未開放

眼見Moshi這次來了個大公開，一眾網友又紛紛想起了OpenAI。

今年7月底，OpenAI高級語音模式面向部分plus用戶上線，一些試玩例子也隨之流出……

比如讓ChatGPT開口講中文，這濃濃的「歪果仁」口音是怎么回事。

再比如讓它來段繞口令，圍觀網友笑cry了。

一番試玩下來，網友們期待值拉滿。

然而，OpenAI的動作實在有億點慢了，當時曾計劃秋季時讓所有plus用戶都能用上高級語音模式。

然而至今沒有更多消息，相關話題的實時頁面下，隨處可見一片抱怨。

以至于Moshi發布后，再次有網友調侃：

開源總是勝利！

不過也有爆料稱，OpenAI可能會在9月24日發布高級語音模式。

一周之后咱們見分曉！

技術報告：https://kyutai.org/Moshi.pdfGitHub官方倉庫：
https://github.com/kyutai-labs/moshi
HuggingFace模型庫：
https://huggingface.co/collections/kyutai/moshi-v01-release-66eaeaf3302bef6bd9ad7acd