Bộ giải mã âm thanh trực tuyến Mimi
Mimi là bộ giải mã âm thanh thần kinh có chức năng nén giọng nói thành một luồng mã thông báo rời rạc nhỏ trong thời gian thực, do đó các mô hình AI có thể nghe và nói với độ trễ rất thấp.
Tổng quan
It is the audio backbone behind Kyutai's Moshi voice model.
Lặn sâu
Mimi, do phòng thí nghiệm Kyutai của Pháp phát hành vào năm 2024, là một codec thần kinh biến âm thanh 24 kHz thành một luồng mã thông báo rời rạc với tốc độ khoảng 1,1 kbps và chỉ 12,5 mã thông báo mỗi giây. Nó sử dụng bộ mã hóa-giải mã với lượng tử hóa vectơ dư (RVQ), chia mã thông báo thành cấp độ đầu tiên 'ngữ nghĩa' được chắt lọc từ mô hình giọng nói tự giám sát (WavLM) cộng với một số cấp độ 'âm thanh' để nắm bắt kết cấu giọng nói. Điều quan trọng là nó hoàn toàn phát trực tuyến và nhân quả: nó phát ra mã thông báo khi âm thanh đến thay vì đợi một clip đầy đủ, với độ trễ khoảng 80 ms. Điều này cho phép mô hình ngôn ngữ xử lý lời nói giống như mã thông báo văn bản, cho phép Moshi trò chuyện ở chế độ song công hoàn toàn trong khi vẫn giữ cho âm thanh được tái tạo dễ hiểu và tự nhiên.
Hiểu biết kỹ thuật
Thủ thuật của Mimi là sơ đồ phân chia RVQ. Sách mã đầu tiên được huấn luyện với sự mất mát khi chưng cất để khớp với các phần nhúng từ WavLM, buộc nó phải mang 'ý nghĩa' ngữ âm, trong khi các sách mã âm thanh song song tái tạo lại chi tiết dạng sóng. Máy biến áp hoạt động bên trong nút cổ chai và tổn thất đối nghịch (GAN) trên bộ giải mã sẽ giúp nâng cao chất lượng đầu ra. Sự tích chập nhân quả giúp mọi thứ diễn ra liên tục, do đó độ trễ duy trì ở mức gần 80 mili giây.
Tác động chiến lược
Truy cập và tiếp cận
Nó cải thiện khả năng tiếp cận thông qua phiên âm, tường thuật và giao diện giọng nói.
Chi phí và ngân sách
Các nhóm truyền thông có thể gửi âm thanh tinh tế nhanh hơn với ngân sách nhỏ hơn.
Tốc độ và tỷ lệ
Các hệ thống hướng tới khách hàng có thể xử lý các tương tác bằng giọng nói ở quy mô lớn hơn.
Tương lai của Mimi Streaming Audio Codec
Mong đợi các codec như Mimi sẽ trở thành giao diện tiêu chuẩn giữa âm thanh và mô hình ngôn ngữ lớn, đẩy trợ lý giọng nói theo thời gian thực tới thời gian phản hồi dưới 100 ms. Nghiên cứu đang khiến tỷ lệ mã thông báo thậm chí còn thấp hơn trong khi vẫn giữ được danh tính, cảm xúc và âm nhạc của người nói. Bởi vì Mimi và Moshi có nguồn mở Kyutai nên nó có khả năng tạo ra nhiều hệ thống chuyển giọng nói mở, trợ lý trên thiết bị và các công cụ liên lạc bằng giọng nói băng thông cực thấp.
Triển khai trong thế giới thực
Cung cấp năng lượng cho trợ lý giọng nói song công hoàn toàn Moshi của Kyutai để nó có thể nghe và nói chuyện đồng thời
Truyền mã thông báo lời nói vào mô hình ngôn ngữ để dịch từ giọng nói sang giọng nói theo thời gian thực
Cuộc gọi thoại tốc độ bit cực thấp (~1,1 kbps) trong điều kiện mạng kém hoặc tắc nghẽn
Mã hóa âm thanh cho các quy trình chuyển văn bản và chuyển văn bản thành giọng nói dựa trên âm thanh giống như văn bản
Rủi ro & lan can
Rủi ro lạm dụng giọng nói và mạo danh sẽ tăng lên khi thiếu sự đồng ý.
Độ chính xác có thể giảm đối với các giọng, phương ngữ hoặc môi trường ồn ào.
Âm thanh tổng hợp có thể bị nhầm lẫn với lời nói đích thực nếu không có nhãn rõ ràng.
Lộ trình thực hiện
Nhận được sự đồng ý rõ ràng để thu âm, sao chép và tái sử dụng giọng nói.
Kiểm tra chất lượng trên nhiều loa và điều kiện nền khác nhau.
Xác định khi nào con người phải xem xét hoặc phê duyệt kết quả đầu ra.
Dán nhãn âm thanh tổng hợp và lưu giữ hồ sơ xuất xứ để đảm bảo trách nhiệm giải trình.
Tiếp tục khám phá
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Mimi Streaming Audio Codec quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Hướng dẫn tiếp theo
Bộ giải mã âm thanh thần kinh
Câu hỏi thường gặp
What is Mimi Streaming Audio Codec?
Mimi là bộ giải mã âm thanh thần kinh có chức năng nén giọng nói thành một luồng mã thông báo rời rạc nhỏ trong thời gian thực, do đó các mô hình AI có thể nghe và nói với độ trễ rất thấp. Nó là xương sống âm thanh đằng sau mẫu giọng nói Moshi của Kyutai.
Phòng thí nghiệm nào đã phát hành Mimi và mẫu giọng nói Moshi?
Mimi và Moshi được phát hành vào năm 2024 bởi phòng thí nghiệm nghiên cứu Kyutai của Pháp, nơi có nguồn mở cả hai.
Mimi phát ra bao nhiêu token mỗi giây để phát biểu?
Mimi nén âm thanh 24 kHz xuống chỉ còn khoảng 12,5 mã thông báo mỗi giây với tốc độ khoảng 1,1 kbps.
Sách mã ('ngữ nghĩa') đầu tiên trong Mimi nắm bắt được điều gì?
Cấp RVQ đầu tiên được đào tạo thông qua quá trình chắt lọc từ WavLM để mang nội dung ngữ nghĩa/ngữ âm, trong khi các cấp độ sau này bổ sung thêm chi tiết âm thanh.
Tại sao Mimi được mô tả là 'phát trực tuyến' hoặc 'nhân quả'?
Mimi xử lý âm thanh một cách nhân quả và xuất mã thông báo tăng dần, mang lại độ trễ khoảng 80 ms phù hợp cho cuộc trò chuyện trực tiếp.
Mimi sử dụng kỹ thuật lượng tử hóa nào để mã hóa âm thanh?
Mimi sử dụng lượng tử hóa vectơ dư, xếp chồng nhiều sách mã để mỗi sách mã bổ sung thêm chi tiết tốt hơn cho sách trước đó.