Moshi 是一个语音文本基础模型和全双工口语对话框架。它使用 Mimi，这是一种最先进的流式神经音频编解码器。Mimi 以完全流式处理方式（延迟为 80 毫秒，帧大小）处理 24 kHz 音频，低至 12.5 Hz，带宽为 1.1 kbps，但性能优于现有的非流式处理编解码器，如 SpeechTokenizer（50 Hz，4kbps）或 SemantiCodec（50 Hz，1.3kbps）。
Github地址：https://github.com/kyutai-labs/moshi
模型下载地址：https://huggingface.co/collections/kyutai/moshi-v01-release-66eaeaf3302bef6bd9ad7acd
微信扫描下方的二维码阅读本文
声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。
评论(0)