前段時(shí)間技驚四座、劍指GPT-4o的實(shí)時(shí)語(yǔ)音模型Moshi，終于開(kāi)源了！

自然聊天，情緒豐富，隨意打斷，拒絕呆板和回合制！

大神Karpathy體驗(yàn)之后也表示：nice~

來(lái)自法國(guó)的初創(chuàng)團(tuán)隊(duì)Kyutai，于7月初發(fā)布了這個(gè)對(duì)標(biāo)GPT-4o的神奇的端到端語(yǔ)音模型。

2個(gè)多月后的今天，他們兌現(xiàn)了自己的承諾，將代碼、模型權(quán)重和一份超長(zhǎng)的技術(shù)報(bào)告一股腦開(kāi)源。

論文地址：https://kyutai.org/Moshi.pdf

開(kāi)源代碼：https://github.com/kyutai-labs/moshi

開(kāi)放權(quán)重：https://huggingface.co/collections/kyutai

在海的那一邊，GPT-4o的語(yǔ)音模式還沒(méi)有完全端上來(lái)，這邊的模型已經(jīng)免費(fèi)送了。

大家可以去官網(wǎng)（moshi.chat）在線免費(fèi)體驗(yàn)，相比于平時(shí)你問(wèn)我答的AI語(yǔ)音助手，這種「像人一樣」的聊天方式還是很奇特的。

整個(gè)模型的參數(shù)量為7.69B，pytorch平臺(tái)上只有bf16版本，如果在本地跑的話對(duì)顯存有一定要求，而candle上提供了8bit版本，mlx上更是有4bit版本可供使用。

moshiko和moshika表示男聲和女聲兩個(gè)版本

moshi作為一個(gè)全雙工口語(yǔ)對(duì)話框架，由幾部分組成：首先是Mimi，目前最先進(jìn)的流式神經(jīng)音頻編解碼器，能夠以完全流式的方式（延遲80毫秒）處理24 kHz音頻（12.5 Hz表示，帶寬1.1 kbps）。

然后是負(fù)責(zé)知識(shí)儲(chǔ)備、理解和輸出的Transformer部分，包括Helium Temporal Transformer和Depth Transformer。

其中小型的深度Transformer負(fù)責(zé)對(duì)給定時(shí)間步長(zhǎng)的碼本間依賴性進(jìn)行建模，而大型（7B參數(shù)）時(shí)間Transformer對(duì)時(shí)間依賴性進(jìn)行建模。

作者還提出了「內(nèi)心獨(dú)白」：在訓(xùn)練和推理過(guò)程中，對(duì)文本和音頻進(jìn)行聯(lián)合建模。這使得模型能夠充分利用文本模態(tài)傳遞的知識(shí)，同時(shí)保留語(yǔ)音的能力。

Moshi模擬兩種音頻流：一種來(lái)自Moshi自身（模型的輸出），另一種來(lái)自用戶（音頻輸入）。

沿著這兩個(gè)音頻流，Moshi預(yù)測(cè)與自己的語(yǔ)音（內(nèi)心獨(dú)白）相對(duì)應(yīng)的文本，極大地提高了生成的質(zhì)量。

Moshi的理論延遲為160毫秒（Mimi幀大小80毫秒 + 聲學(xué)延遲80毫秒），在L4 GPU上的實(shí)際總延遲僅有200毫秒。

技術(shù)細(xì)節(jié)

Moshi突破了傳統(tǒng)AI對(duì)話模型的限制：延遲、文本信息瓶頸和基于回合的建模。

Moshi使用較小的音頻語(yǔ)言模型增強(qiáng)了文本LLM主干，模型接收并預(yù)測(cè)離散的音頻單元，通過(guò)理解輸入并直接在音頻域中生成輸出來(lái)消除文本的信息瓶頸，同時(shí)又可以受益于底層文本LLM的知識(shí)和推理能力。

Moshi擴(kuò)展了之前關(guān)于音頻語(yǔ)言模型的工作，引入了第一個(gè)多流音頻語(yǔ)言模型，將輸入和輸出音頻流聯(lián)合顯式處理為兩個(gè)自回歸token流，完全消除了說(shuō)話者轉(zhuǎn)向的概念，從而允許在任意動(dòng)態(tài)（重疊和中斷）的自然對(duì)話上訓(xùn)練模型。

Helium

首先介紹負(fù)責(zé)文本部分的Helium，這里采用了一些比較通用的設(shè)計(jì)。

比如，在注意力層、前饋層和輸出線性層的輸入處使用RMS歸一化；使用旋轉(zhuǎn)位置嵌入（RoPE）、4,096 個(gè)token的上下文長(zhǎng)度和 FlashAttention來(lái)進(jìn)行高效訓(xùn)練；使用門(mén)控線性單元，SiLU作為門(mén)控函數(shù)。

Helium的分詞器基于SentencePiece的一元模型，包含32,000個(gè)主要針對(duì)英語(yǔ)的元素。

作者將所有數(shù)字拆分為單個(gè)數(shù)字，并使用字節(jié)退避來(lái)確保分詞器不會(huì)丟失信息。使用AdamW優(yōu)化器訓(xùn)練模型，先采用固定學(xué)習(xí)率，然后進(jìn)行余弦學(xué)習(xí)率衰減。

7B Helium語(yǔ)言模型和Moshi架構(gòu)訓(xùn)練的超參數(shù)

研究人員在公共英語(yǔ)數(shù)據(jù)的2.1T token上對(duì)模型進(jìn)行了預(yù)訓(xùn)練。

訓(xùn)練數(shù)據(jù)包括維基百科、Stack Exchange和大量科學(xué)文章，還依賴網(wǎng)絡(luò)爬取（特別是來(lái)自CommonCrawl的數(shù)據(jù)）來(lái)擴(kuò)展數(shù)據(jù)集，并通過(guò)重復(fù)數(shù)據(jù)刪除、語(yǔ)言識(shí)別和質(zhì)量過(guò)濾等操作獲得高質(zhì)量的訓(xùn)練集。

Mimi

Mimi使用殘差矢量量化 (RVQ) 將音頻轉(zhuǎn)換為Moshi預(yù)測(cè)的離散token，并通過(guò)蒸餾將非因果的高級(jí)語(yǔ)義信息傳輸?shù)揭蚬Ｐ蜕傻膖oken中，從而允許對(duì)語(yǔ)義進(jìn)行流式編碼和解碼。

Mimi架構(gòu)的靈感來(lái)自SoundStream和Encodec，編碼器通過(guò)級(jí)聯(lián)殘差卷積塊將單通道波形投射到潛在表示。所有卷積都是因果的，因此該自動(dòng)編碼器可以以流方式運(yùn)行。

通過(guò)4個(gè)步幅為(4、5、6、8)的卷積塊 ，以及步幅為2的1D卷積，Mimi的編碼器將24kHz波形投影為每秒12.5幀、維度為512的潛在表示，而解碼器采用轉(zhuǎn)置卷積將潛在表示投射回24kHz音頻。

為了提高M(jìn)imi將語(yǔ)音編碼為緊湊表示的能力，研究人員在模型中添加了Transformer模塊，分別位于量化之前和之后。

每個(gè)Transformer塊包含8層、8個(gè)頭、使用RoPE位置編碼、250幀（20 秒）的有限上下文、模型維度512、MLP維度2048。使用 LayerScale來(lái)保證穩(wěn)定訓(xùn)練，對(duì)角線值初始化為0.01。兩個(gè)Transformer都使用因果屏蔽，保留了整個(gè)架構(gòu)與流式推理的兼容性。

Moshi

Moshi作為一種用于音頻語(yǔ)言建模的新架構(gòu)，將Helium與較小的Transformer模型相結(jié)合，以分層和流式傳輸?shù)姆绞筋A(yù)測(cè)音頻token。

這種無(wú)條件音頻語(yǔ)言模型，提供了優(yōu)于非流模型的清晰度和音頻質(zhì)量，同時(shí)以流方式生成音頻。作者進(jìn)一步擴(kuò)展了這種架構(gòu)，以并行模擬多個(gè)音頻流，從而可以在概念上和實(shí)踐上簡(jiǎn)單地處理具有任意動(dòng)態(tài)的全雙工對(duì)話。

在上圖的整體架構(gòu)中，RQ Transformer將長(zhǎng)度為K·S的扁平序列分解為大型時(shí)間Transformer的S個(gè)時(shí)間步長(zhǎng)，生成上下文嵌入，用于在K個(gè)步驟上調(diào)節(jié)較小的深度Transformer。

與使用單個(gè)模型對(duì)展平序列進(jìn)行建模相比，這允許通過(guò)增加S來(lái)縮放到更長(zhǎng)的序列，或者通過(guò)增加K來(lái)縮放到更高的深度。

架構(gòu)中的深度Transformer有6層，維度為1024，16個(gè)注意力頭。與之前的工作不同，作者在深度Transformer中為線性層、投影層和全連接層使用每個(gè)索引的不同參數(shù)。

事實(shí)上，不同的子序列可能需要不同的轉(zhuǎn)換。鑒于該Transformer的尺寸較小，這對(duì)訓(xùn)練和推理時(shí)間都沒(méi)有影響，但上表結(jié)果顯示這種深度參數(shù)化是有益的。

內(nèi)心獨(dú)白

內(nèi)心獨(dú)白是一種用于音頻語(yǔ)言模型訓(xùn)練和推理的新方法，它通過(guò)在音頻token之前預(yù)測(cè)時(shí)間對(duì)齊的文本token，顯著提高了生成語(yǔ)音的事實(shí)性和語(yǔ)言質(zhì)量。

Moshi允許推理來(lái)自用戶音頻和Moshi音頻的非語(yǔ)言信息，但這與Moshi在其語(yǔ)音輸出中生成文本并不矛盾。根據(jù)過(guò)去的觀察，從粗到細(xì)的生成（從語(yǔ)義到聲學(xué)token）對(duì)于生成一致的語(yǔ)音至關(guān)重要。

作者利用這種層次結(jié)構(gòu)，使用文本token作為語(yǔ)義token的每個(gè)時(shí)間步前綴。實(shí)驗(yàn)表明，這不僅極大地提高了生成語(yǔ)音的長(zhǎng)度和質(zhì)量，還展示了單個(gè)延遲超參數(shù)如何允許從ASR模型切換到TTS模型，而不會(huì)改變損失、架構(gòu)或訓(xùn)練數(shù)據(jù)。