ДаліНаступний посібник
Нейронні аудіокодеки
Аудіо AI
Аудіо AI GUIDE
Mimi Streaming Audio Codec
Mimi is Kyutai’s neural audio codec used with Moshi.
Послухайте цей посібникШІ-розказаний · ~2 min
На цій сторінці2 хвилини читання
Огляд
It converts 24 kHz audio into discrete representations at 12.5 frames per second, enabling speech models to predict and decode audio tokens. The paper describes a semantic codebook distilled from WavLM and acoustic codebooks for reconstruction; the specific rates and latency belong to the published configuration.
Глибоке занурення
The Moshi paper introduces Mimi as a streaming neural codec operating on 24 kHz audio with a 12.5 Hz token frame rate and 1.1 kbps bandwidth in the reported setup. The encoder produces a semantic codebook distilled from WavLM and acoustic codebooks that support reconstruction, using split residual vector quantization. Causal masking in the encoder/decoder Transformers supports streaming inference. The paper reports an 80 ms frame size; it should not be read as a guaranteed end-to-end conversational response time. Mimi supplies audio tokens for Moshi’s audio-text modeling, but codec tokens are not ordinary text tokens.
Реалізація в реальному світі
Use a codec to represent incoming speech as discrete tokens that a speech-text model can process.
Decode predicted audio tokens back into a waveform for speech output.
Compare token rate and bitrate when assessing autoregressive sequence length and codec fidelity.
Inspect the split semantic/acoustic codebooks described in the Moshi report.
Майбутнє Mimi Streaming Audio Codec
Neural codecs provide one interface for speech models to encode and generate audio. Future work may adjust token rates, codebook allocation, and streaming latency; each trade-off must be evaluated for the intended audio quality, hardware, and dialogue task.
Застосування на практиці
Чому це важливо
- Доступ і охоплення. Це покращує доступність завдяки транскрипції, дикторському тексту та голосовому інтерфейсу.
- Вартість і бюджет. Медіа-команди можуть доставляти якісний аудіо швидше за менші бюджети.
- Швидкість і масштаб. Системи, орієнтовані на клієнта, можуть обробляти голосову взаємодію у більшому масштабі.
Зверніть увагу на
- Ризик неправильного використання голосу та видавання себе за іншу особу зростає, якщо згоди немає.
- Точність може впасти через акценти, діалекти чи шумне середовище.
- Синтетичне аудіо можна прийняти за автентичне мовлення без чіткого маркування.
Наступні кроки
- Отримайте чітку згоду на захоплення голосу, клонування та повторне використання.
- Перевірте якість на різних динаміках і фонових умовах.
- Визначте, коли людина повинна переглядати або затверджувати результати.
- Позначайте синтетичне аудіо та зберігайте записи про походження для підзвітності.
Продовжуйте досліджувати
Безплатний розсилок
Отримуйте щоденне зведення новин про ШІ
Три перевірені історії про ШІ щоробочого ранку, написані простою мовою. Безплатно назавжди, без реклами.
Один лист щотижня з понеділка по п'ятницю. Відписатися в один клік. Ми ніколи не продаємо та не передаємо вашу адресу.
Перевір себе
Take the Mimi Streaming Audio Codec quiz
Миттєва зворотна связь на кожну відповідь та сертифікат із перевіреним ідентифікатором, яким можна поділитися, після проходження курсу.
Підтримайте безплатну освіту у сфері ШІ. AI Understanding — це некомерційна організація 501(c)(3) — без реклами, без платних стін, назавжди. Зробіть пожертву
Часті запитання
What is Mimi Streaming Audio Codec?
Mimi is Kyutai’s neural audio codec used with Moshi. It converts 24 kHz audio into discrete representations at 12.5 frames per second, enabling speech models to predict and decode audio tokens. The paper describes a semantic codebook distilled from WavLM and acoustic codebooks for reconstruction; the specific rates and latency belong to the published configuration.
Яка лабораторія випустила голосову модель Мімі та Моші?
Mimi та Moshi були випущені у 2024 році французькою дослідницькою лабораторією Kyutai, яка відкрила обидва коди.
Приблизно скільки жетонів за секунду видає Мімі для мовлення?
Mimi стискає аудіо 24 кГц лише до 12,5 токенів на секунду зі швидкістю приблизно 1,1 кбіт/с.
What information does Mimi’s first semantic codebook aim to represent?
The Moshi paper describes distilling WavLM representations into Mimi’s semantic codebook; it does not claim that this codebook is a literal transcript or exact speaker-identity record.
Чому Мімі називають «потоковим» або «причинним»?
Mimi’s causal encoder/decoder can process frames as audio arrives rather than requiring the full utterance. The paper’s 80 ms figure is a codec frame interval, not a guaranteed end-to-end dialogue latency.
Яку техніку квантування використовує Мімі для кодування звуку?
Mimi використовує залишкове векторне квантування, складаючи кілька кодових книг, щоб кожна додавала дрібніші деталі до попередньої.
Продовжуйте вчитися
Пов'язані посібники
Інші посібники, вибрані для цієї теми