处理音频数据时，我们是不是经常要切换各种工具？转写用 ASR（语音识别），转音频又得找稳定的 模型（工具）……
最近月之暗面 正式开源了 Kimi-Audio，可以帮助我们解决处理音频时来回切换不同工具的痛点。
Kimi-Audio 由月之暗面（Moonshot AI）开发，是一款开源音频基础模型，基于 Qwen 2.5-7B 构建，可以统一处理音频理解、生成和对话任务。
依托 1300 万小时音频数据预训练，通过混合输入（离散语义标记 + 连续声学特征）与创新架构，统一多种任务。
Kimi-Audio 支持语音识别（ASR）、音频问答（AQA）、音频字幕（AAC）、情感识别（）、声音分类（SEC/ASC）、文本到语音（TTS）、语音转换（VC）和端到端语音对话。
月之暗面 Kimi 教程
主要功能
快速部署
Kimi-Audio 提供 Docker 和本地部署两种方式。
本地部署
1、克隆项目
2、安装依赖
Docker 部署
1、构建镜像
或使用预构建镜像
2、运行容器
使用方法
1、加载模型
2、语音识别（ASR）- 示例
3、语音对话 – 示例
运行评估工具包
1、克隆 Evalkit
2、运行 ASR 评估
更多使用细则可参考项目文档或HF模型说明。
写在最后
Kimi Audio 是基于 Qwen 2.5-7B 构建的音频-文本多模态基础模型，它既能听懂，又能说话，而且理解深、表达自然、响应快。
具备语音识别（ASR）、音频理解（分类/情绪识别/问答）、端到端语音生成（TTS对话）等核心功能，真正把过去需要多个不同模型的能力，统一到一套模型架构之中！
是一款同时能听懂、听会、还能回答、还能说的超级音频模型，一步到位搞定音频所有需求。
比如用它做智能听写系统、语音版Chatbot、音频情绪检测之类的都是可以满足的。
- GitHub ：https://github.com/MoonshotAI/Kimi-Audio
- HuggingFace：https://huggingface.co/moonshotai/Kimi-Audio-7B-Instruct
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/267645.html原文链接：https://javaforall.net
