Kimi-Audio 是 Moonshot AI 推出的开源音频基础模型，专注于音频理解、生成和对话任务。在超过 1300 万小时的多样化音频数据上进行预训练，具备强大的音频推理和语言理解能力。核心架构采用混合音频输入（连续声学 + 离散语义标记），结合基于 LLM 的设计，支持并行生成文本和音频标记，同时通过分块流式解码器实现低延迟音频生成。
（图片来源网络，侵删）
上一篇
Kimi-baidu09Audio – Moonshot AI 开源的音频基础模型
猜你喜欢
-
发布了文章 56秒前
Mureka V6 – 昆仑万维推出的AI音乐创作基座模型
Mureka V6是昆仑万维推出的AI音乐创作平台的基座模型，支持纯音乐生成以及10种语言的AI音乐创作。引入自研的ICL（in-context learning）技术，使声场更加开阔，人声质感和混音设计进一步强化。...
-
发布了文章 3分钟前
Mureka O1 – 昆仑万维推出的音乐推理大模型
Mureka O1是昆仑万维发布的全球首款音乐推理大模型，全球首个引入“思维链”（Chain of Thought，CoT）技术的音乐模型，Mureka O1在推理过程中加入思考与自我批判机制，大幅提升了音乐品质、创作效率和...
-
发布了文章 5分钟前
Multiverse – Enigma Labs推出的全球首款AI生成多人游戏模型
Multiverse是以色列团队Enigma Labs推出的全球首个AI生成多人游戏模型。是多人赛车游戏，玩家可以超车、漂移、加速，每一次行动会实时影响并重塑游戏世界。模型通过AI技术实时生成游戏画面，确保两名玩家看到的是同...
-
发布了文章 8分钟前
Multimodal Live API – 谷歌推出支持多模态交互、低延迟实时互动的AI接口
Multimodal Live API 是谷歌推出的低延迟、双向交互的AI接口，支持文本、音频和视频输入，用音频和文本形式输出，能帮助开发者构建具有实时音频和视频流功能的应用程序。Multimodal Live API让与A...
-
发布了文章 8分钟前
MultiTalk – 音频驱动的多人对话视频生成框架
MultiTalk 是中山大学深圳校区、美团和香港科技大学联合推出的新型音频驱动多人对话视频生成框架。框架根据多声道音频输入、参考图像和文本提示，生成包含人物互动且口型与音频一致的视频。...
-
发布了文章 11分钟前
MultiFoley – Adobe 联合密歇根大学推出的音效生成系统
MultiFoley是Adobe Research和密歇根大学共同推出的音效生成系统，能基于文本、音频和视频的多模态控制生成Foley声音效果。系统支持用户根据文本提示、参考音频或部分视频来定制和生成与视频同步的声音，从而增...
-
发布了文章 11分钟前
MultiBooth – 清华联合 Meta 等机构推出的多概念图像生成方法
MultiBooth是清华大学深圳国际研究生院、 Meta、香港科技大学等机构推出的多概念图像生成方法，能从文本中生成包含多个用户指定概念的图像。MultiBooth将生成过程分为两个阶段：单概念学习和多概念整合。在单概念学...
-
发布了文章 14分钟前
MultiAgentPPT – 开源多智能体AI演示文稿生成系统
MultiAgentPPT 是多智能体演示文稿生成系统，基于 A2A（Ask-to-Answer）、MCP（Multi-agent Control Protocol）和 ADK（Agent Development Kit）架...
全部评论
留言在赶来的路上...
发表评论