/ Модель

Характеристики

Контекст
8 192 токена
Параметры
7,1 млрд
Размер весов
19,5 ГБ
Лицензия
MIT
Библиотека
kimi-audio
Опубликована
25 апр 2025

Kimi-Audio-7B

Генерация текстаТекст → текст3 профессии

Kimi-Audio-7B — базовая аудиоязыковая модель Moonshot AI для распознавания, понимания и генерации речи и звуков.

219скачиваний за 30 дней96лайковвеса обновлены29 мая 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Kimi-Audio-7B — базовая аудиомодель с открытыми весами от Moonshot AI. Она объединяет обработку аудио и языковую модель с параллельными выходами для текстовых и аудиотокенов; аудио на входе представляется непрерывными акустическими и дискретными семантическими токенами. Модель насчитывает 7,1 млрд параметров, имеет контекст 8192 токена и распространяется в формате Safetensors.

Модель предназначена для распознавания речи, ответов на вопросы об аудиозаписях, описания звуков, распознавания эмоций и классификации звуковых событий и сцен, а также генерации речи и аудиодиалога. Для генерации аудио предусмотрена потоковая обработка чанками. В карточке указаны английский и китайский языки; обучение проводилось на более чем 13 млн часов аудио и текстовых данных. Это базовая модель без дообучения, поэтому для готовых прикладных сценариев требуется fine-tuning; автор рекомендует вариант Kimi-Audio-7B-Instruct для использования без дополнительной настройки. Лицензия — MIT.

Сценарии применения

  • распознавание речи в аудиозаписях
  • ответы на вопросы о содержании аудио
  • создание текстовых описаний звуков и аудиосцен
  • определение эмоций в речи
  • классификация звуковых событий и сцен
  • генерация речи и аудиодиалоги

Ограничения

Это базовая модель без дообучения, поэтому она не рассчитана на прямое использование в готовых прикладных сценариях; для этого требуется fine-tuning. Для готового использования автор рекомендует Kimi-Audio-7B-Instruct.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Kimi-Audio

Introduction

We present Kimi-Audio, an open-source audio foundation model excelling in audio understanding, generation, and conversation. This repository hosts the model checkpoints for Kimi-Audio-7B.

Kimi-Audio is designed as a universal audio foundation model capable of handling a wide variety of audio processing tasks within a single unified framework. Key features include:

  • Universal Capabilities: Handles diverse tasks like speech recognition (ASR), audio question answering (AQA), audio captioning (AAC), speech emotion recognition (SER), sound event/scene classification (SEC/ASC) and end-to-end speech conversation.
  • State-of-the-Art Performance: Achieves SOTA results on numerous audio benchmarks (see our Technical Report).
  • Large-Scale Pre-training: Pre-trained on over 13 million hours of diverse audio data (speech, music, sounds) and text data.
  • Novel Architecture: Employs a hybrid audio input (continuous acoustic + discrete semantic tokens) and an LLM core with parallel heads for text and audio token generation.
  • Efficient Inference: Features a chunk-wise streaming detokenizer based on flow matching for low-latency audio generation.

For more details, please refer to our GitHub Repository and Technical Report.

Note

Kimi-Audio-7B is a base model without fine-tuning. So it cannot be used directly. The base model is quite flexible, you can fine-tune it on any possible downstream tasks.

If you are looking for an out-of-the-box model, please refer to Kimi-Audio-7B-Instruct.

Citation

If you find Kimi-Audio useful in your research or applications, please cite our technical report:

@misc{kimi_audio_2024,
      title={Kimi-Audio Technical Report},
      author={Kimi Team},
      year={2024},
      eprint={arXiv:placeholder},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

License

The model is based and modified from Qwen 2.5-7B. Code derived from Qwen2.5-7B is licensed under the Apache 2.0 License. Other parts of the code are licensed under the MIT License.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · kimi-audio

Можно запустить

Подбираем GPU…

Класс архитектуры
MoonshotKimiaForCausalLM
Ревизия весов
d90be71

0 моделей