概述
Mimi 是一种神经音频编解码器，可实时将语音压缩为微小的离散标记流，因此 AI 模型可以以非常低的延迟进行聆听和说话。它是 Kyutai 的 Moshi 语音模型背后的音频支柱。
Mimi 流音频编解码器位于音频 AI 工作流程中，可转换语音、音乐和声音以实现通信、可访问性和媒体制作。
深入探讨
Mimi 是法国实验室 Kyutai 于 2024 年发布的一种神经编解码器，可将 24 kHz 音频转换为离散令牌流，速度约为 1.1 kbps，每秒仅处理 12.5 个令牌。它使用带有残差矢量量化 (RVQ) 的编码器-解码器，将标记拆分为从自监督语音模型 (WavLM) 中提取的“语义”第一级以及多个捕获语音纹理的“声学”级别。至关重要的是，它是完全流式传输和因果关系的：它在音频到达时发出令牌，而不是等待完整的剪辑，大约有 80 毫秒的延迟。这使得语言模型可以将语音视为文本标记，从而使 Moshi 能够以全双工方式进行对话，同时保持重建的音频清晰和自然。
技术洞察
Mimi 的技巧是 split-RVQ 方案。第一个码本经过蒸馏损失训练，以匹配 WavLM 的嵌入，迫使其携带语音“含义”，而并行声学码本则重建波形细节。 Transformer 在瓶颈内运行，解码器上的对抗性 (GAN) 损失可提高输出质量。因果卷积使所有内容保持流式传输，因此延迟保持在 80 毫秒左右。
掌握 Mimi 流媒体音频编解码器
Mimi 是一种神经音频编解码器，可实时将语音压缩为微小的离散标记流，因此 AI 模型可以以非常低的延迟进行聆听和说话。它是 Kyutai 的 Moshi 语音模型背后的音频支柱。 Mimi 流音频编解码器位于音频 AI 工作流程中，可转换语音、音乐和声音以实现通信、可访问性和媒体制作。为了建立深入的理解，请将 Mimi 流音频编解码器视为一种操作模型，而不是单个功能：定义所需的结果，澄清假设，并将系统可以可靠地执行的操作与仍需要专家判断的操作分开。
在实践中，使用 Mimi 流音频编解码器的强大团队将质量、延迟和同意视为部署策略中同等重要的部分。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
它通过转录、旁白和语音界面提高了可访问性。与此同时，如果未征得同意，语音滥用和冒充风险就会增加。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
它通过转录、旁白和语音界面提高了可访问性。
它通过转录、旁白和语音界面提高了可访问性。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
媒体团队可以用更少的预算更快地交付精美的音频。
媒体团队可以用更少的预算更快地交付精美的音频。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
面向客户的系统可以处理更大规模的语音交互。
面向客户的系统可以处理更大规模的语音交互。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
为 Kyutai 的 Moshi 全双工语音助手提供支持，使其可以同时听和说
将语音标记流式传输到语言模型中以进行实时语音到语音翻译
在网络条件较差或拥塞的情况下进行超低比特率语音通话 (~1.1 kbps)
为生成语音和文本到语音管道对音频进行标记，以像文本一样对声音进行推理
实施模式
Mimi 流媒体音频编解码器实践
为 Kyutai 的 Moshi 全双工语音助手提供动力，使其可以同时听和说。
为 Kyutai 的 Moshi 全双工语音助手提供支持，使其可以同时听和说。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
Mimi 流媒体音频编解码器实践
将语音标记流式传输到语言模型中以进行实时语音到语音翻译。
将语音标记流式传输到语言模型中以进行实时语音到语音翻译 团队在预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
Mimi 流媒体音频编解码器实践
适用于网络状况不佳或拥塞的超低比特率语音通话（~1.1 kbps）。
在恶劣或拥塞的网络条件下进行超低比特率语音通话（约 1.1 kbps） 当团队预先定义质量阈值、针对边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
Mimi 流媒体音频编解码器实践
对音频进行标记，以生成语音和文本到语音的管道，这些管道可以像文本一样对声音进行推理。
对生成语音和文本到语音管道的音频进行标记，这些管道通过类似文本的声音进行推理。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
风险与防护栏
如果未征得同意，语音滥用和冒充风险就会增加。
由于口音、方言或嘈杂的环境，准确性可能会下降。
如果没有明确的标签，合成音频可能会被误认为是真实的语音。
实施路线图
获得语音捕获、克隆和重用的明确同意。
获得语音捕获、克隆和重用的明确同意。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
测试不同扬声器和背景条件下的质量。
测试不同扬声器和背景条件下的质量。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
定义人员必须审查或批准输出的时间。
定义人员必须审查或批准输出的时间。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
标记合成音频并保留来源记录以供问责。
标记合成音频并保留来源记录以供问责。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。