本文へスキップ

Kimi-Audio

音声認識と音声対話に対応する公開のオーディオ基盤モデル

公式サイトを見る

Kimi-Audio とは

本モデルは音声認識や音声対話などの音声処理を対象とする公開のオーディオ基盤モデルと紹介され、1300 万時間を超える多様な音声・文章のデータで大規模な事前学習が行われている。 混合音声入力と LLM 中核を組み合わせ、フローマッチングに基づくブロック単位のストリーミングデコーダを備える。

できること

  • 音声入力から音声を認識する
  • 音声の内容に対する質問に答える
  • 音声の内容に字幕を生成する
  • 文章と音声の入力を同時に扱う

モデルについて

  • 1300 万時間を超える音声・文章のデータで事前学習する
  • 混合音声入力と LLM 中核が両方の入力を処理する
  • フローマッチングに基づくブロック単位のデコーダが低遅延生成を支える
  • コード・チェックポイント・評価ツールキットが公開される

導入の手順

  • GitHub のページからモデルとコードを取得する
  • 必要な依存パッケージを入れ環境を確認する
  • モデルを読み込みサンプリングの設定を行う
  • 音声入力または対話情報を用意する

長所と短所

✓ 良い点

  • 音声認識・音声質問・音声字幕を一つのモデルで扱う
  • ブロック単位のストリーミングデコーダで低遅延生成

! 注意したい点

  • 資料の手順はモデルとコードの取得から始まる
  • 推論前に音声入力または対話情報を用意する

よくある質問

事前学習の規模は?

資料は 1300 万時間を超える多様な音声・文章のデータと説明。

公開されるものは?

機能一覧はコード、モデルチェックポイント、評価ツールキットを挙げる。

最終評価日: 2026-11-15

その他 AIオーディオツール ツール

すべて見る →

評価方法