开源版《Her》来了，技术报告已公开！大神Karpathy：它很有个性

一水 2024-09-19 13:56:05 来源：量子位

大神Karpathy鼎力推荐，开源版「Her」Moshi再引关注！

（Moshi）的性格非常有趣，它会突然断断续续，有时会无缘无故沉默……

据了解，Moshi是一款端到端实时音频模型，于今年7月初由一家法国创业团队Kyutai发布。

不仅发布后人人免费可玩，而且就在刚刚，Kyutai将Moshi的代码、技术报告来了个大公开。

这波属实惊喜了，当初抢先试玩的谷歌DeepMind研究员、ViT作者Lucas Beyer闻声赶来：

（刚好）我最近就想知道这个问题

开源工程师Sebastian Rojo原地启动好学模式。

是时候学起来了！

当然，一直慢腾腾的OpenAI再次被“当众处刑”。（其高级语言模式7月底上线后，仍只面向小部分人开放）

惊人的！当我们仍在等待OpenAI的高级语音模式时，人们可以开始使用Moshi并进行构建。

Moshi技术细节大公开

话不多说，先来开个箱，看看Kyutai这次放出了哪些东西。

• 一份长篇技术报告。揭露Moshi模型背后细节、权重、代码；
• GitHub官方仓库；
• HuggingFace模型库；

首先来看模型。Kyutai这次发布了3个模型，分别是Moshiko、Moshika，以及Mimi流语音编解码器。

Moshi的参数大约为7.69B，Moshiko/ka是Moshi对合成数据进行微调后的变体，分为男女两个声音。

还可以让它们自行对话， be like：

可以看出，它们都能在一台MacBook上运行，且据介绍，这些模型在L4 GPU上实现了约200毫秒的延迟。

至于变体的内存需求，bf16、8位和4位精度，对应的内存分别为16GB、8GB和4GB VRAM。

另外，Moshi使用了一个名为Mimi的流式神经音频编解码器，能够处理24 kHz音频（以1.1kbps的速度将24 kHz音频压缩至12.5Hz），并且支持多种预训练模型。

Mimi受SpeechTokenizer启发，通过蒸馏技术联合建模语义和声学信息，并且通过对抗性训练提升了性能，专门用来和大语言模型协同工作。

其次，从官方公布的技术细节来看，Moshi项目主要由三个组件构成：

• Helium语言模型（拥有70亿参数并在2.1万亿tokens上进行训练）
• Mimi神经音频编解码器（能够建模语义和声学信息）
• 一种新的多流架构（能够在单独的频道上分别对用户和Moshi的音频进行建模）

展开来说，Moshi团队对Helium进行了增强，采用了RQ-Transformer变体架构，这使得Helium能够在不增加序列长度的情况下建模语义和声学标记的层次结构。

官方自称，他们对生成音频的主要贡献是多流建模技术（multi-stream modeling）。

能够在每个时间步中堆叠Moshi和用户的tokens，以模拟全双工对话的动态，包括重叠、反向通道和中断等。

还包括内心独白技术（Inner Monologue），它进一步提高了生成语音的质量，通过预测时间对齐的文本来增强Moshi的智能性，同时保持与流媒体的兼容性。

此外，“内心独白”的一个延伸是：通过调整音频和文本标记的延迟，Moshi能够实现流式TTS和ASR功能。

在大规模音频预训练后，官方利用自己的模型创建了20k小时的合成对话数据，用于评估Moshi在质量、音频语言建模和口语问答方面的表现，以及进行了安全和量化分析。

评估结果显示，Moshi在性能上优于之前发布的模型。

OpenAI版「Her」仍未开放

眼见Moshi这次来了个大公开，一众网友又纷纷想起了OpenAI。

今年7月底，OpenAI高级语音模式面向部分plus用户上线，一些试玩例子也随之流出……

比如让ChatGPT开口讲中文，这浓浓的「歪果仁」口音是怎么回事。

再比如让它来段绕口令，围观网友笑cry了。

一番试玩下来，网友们期待值拉满。

然而，OpenAI的动作实在有亿点慢了，当时曾计划秋季时让所有plus用户都能用上高级语音模式。

然而至今没有更多消息，相关话题的实时页面下，随处可见一片抱怨。

以至于Moshi发布后，再次有网友调侃：

开源总是胜利！

不过也有爆料称，OpenAI可能会在9月24日发布高级语音模式。

一周之后咱们见分晓！