网易首页 > 网易号 > 正文 申请入驻

开源版GPT-4o来了,AI大神Karpathy盛赞!67页技术报告全公开

0
分享至


新智元报道

编辑:alan

【新智元导读】两个多月前那个对标GPT-4o的端到端语音模型,终于开源了。大神Karpathy体验之后表示:nice!

前段时间技惊四座、剑指GPT-4o的实时语音模型Moshi,终于开源了!

自然聊天,情绪丰富,随意打断,拒绝呆板和回合制!

大神Karpathy体验之后也表示:nice~


来自法国的初创团队Kyutai,于7月初发布了这个对标GPT-4o的神奇的端到端语音模型。

2个多月后的今天,他们兑现了自己的承诺,将代码、模型权重和一份超长的技术报告一股脑开源。


论文地址:https://kyutai.org/Moshi.pdf

开源代码:https://github.com/kyutai-labs/moshi

开放权重:https://huggingface.co/collections/kyutai

在海的那一边,GPT-4o的语音模式还没有完全端上来,这边的模型已经免费送了。

大家可以去官网(moshi.chat)在线免费体验,相比于平时你问我答的AI语音助手,这种「像人一样」的聊天方式还是很奇特的。


整个模型的参数量为7.69B,pytorch平台上只有bf16版本,如果在本地跑的话对显存有一定要求,而candle上提供了8bit版本,mlx上更是有4bit版本可供使用。


moshiko和moshika表示男声和女声两个版本

moshi作为一个全双工口语对话框架,由几部分组成:首先是Mimi,目前最先进的流式神经音频编解码器,能够以完全流式的方式(延迟80毫秒)处理24 kHz音频(12.5 Hz表示,带宽1.1 kbps)。


然后是负责知识储备、理解和输出的Transformer部分,包括Helium Temporal Transformer和Depth Transformer。

其中小型的深度Transformer负责对给定时间步长的码本间依赖性进行建模,而大型(7B参数)时间Transformer对时间依赖性进行建模。

作者还提出了「内心独白」:在训练和推理过程中,对文本和音频进行联合建模。这使得模型能够充分利用文本模态传递的知识,同时保留语音的能力。

Moshi模拟两种音频流:一种来自Moshi自身(模型的输出),另一种来自用户(音频输入)。


沿着这两个音频流,Moshi预测与自己的语音(内心独白)相对应的文本,极大地提高了生成的质量。

Moshi的理论延迟为160毫秒(Mimi帧大小80毫秒 + 声学延迟80毫秒),在L4 GPU上的实际总延迟仅有200毫秒。

技术细节

Moshi突破了传统AI对话模型的限制:延迟、文本信息瓶颈和基于回合的建模。

Moshi使用较小的音频语言模型增强了文本LLM主干,模型接收并预测离散的音频单元,通过理解输入并直接在音频域中生成输出来消除文本的信息瓶颈,同时又可以受益于底层文本LLM的知识和推理能力。

Moshi扩展了之前关于音频语言模型的工作,引入了第一个多流音频语言模型,将输入和输出音频流联合显式处理为两个自回归token流,完全消除了说话者转向的概念,从而允许在任意动态(重叠和中断)的自然对话上训练模型。


Helium

首先介绍负责文本部分的Helium,这里采用了一些比较通用的设计。

比如,在注意力层、前馈层和输出线性层的输入处使用RMS归一化;使用旋转位置嵌入(RoPE)、4,096 个token的上下文长度和 FlashAttention来进行高效训练;使用门控线性单元,SiLU作为门控函数。

Helium的分词器基于SentencePiece的一元模型,包含32,000个主要针对英语的元素。

作者将所有数字拆分为单个数字,并使用字节退避来确保分词器不会丢失信息。使用AdamW优化器训练模型,先采用固定学习率,然后进行余弦学习率衰减。


7B Helium语言模型和Moshi架构训练的超参数

研究人员在公共英语数据的2.1T token上对模型进行了预训练。

训练数据包括维基百科、Stack Exchange和大量科学文章,还依赖网络爬取(特别是来自CommonCrawl的数据)来扩展数据集,并通过重复数据删除、语言识别和质量过滤等操作获得高质量的训练集。

Mimi

Mimi使用残差矢量量化 (RVQ) 将音频转换为Moshi预测的离散token,并通过蒸馏将非因果的高级语义信息传输到因果模型生成的token中,从而允许对语义进行流式编码和解码。


Mimi架构的灵感来自SoundStream和Encodec,编码器通过级联残差卷积块将单通道波形投射到潜在表示。所有卷积都是因果的,因此该自动编码器可以以流方式运行。

通过4个步幅为(4、5、6、8)的卷积块 ,以及步幅为2的1D卷积,Mimi的编码器将24kHz波形投影为每秒12.5帧、维度为512的潜在表示,而解码器采用转置卷积将潜在表示投射回24kHz音频。

为了提高Mimi将语音编码为紧凑表示的能力,研究人员在模型中添加了Transformer模块,分别位于量化之前和之后。

每个Transformer块包含8层、8个头、使用RoPE位置编码、250帧(20 秒)的有限上下文、模型维度512、MLP维度2048。使用 LayerScale来保证稳定训练,对角线值初始化为0.01。两个Transformer都使用因果屏蔽,保留了整个架构与流式推理的兼容性。

Moshi

Moshi作为一种用于音频语言建模的新架构,将Helium与较小的Transformer模型相结合,以分层和流式传输的方式预测音频token。

这种无条件音频语言模型,提供了优于非流模型的清晰度和音频质量,同时以流方式生成音频。作者进一步扩展了这种架构,以并行模拟多个音频流,从而可以在概念上和实践上简单地处理具有任意动态的全双工对话。


在上图的整体架构中,RQ Transformer将长度为K·S的扁平序列分解为大型时间Transformer的S个时间步长,生成上下文嵌入,用于在K个步骤上调节较小的深度Transformer。

与使用单个模型对展平序列进行建模相比,这允许通过增加S来缩放到更长的序列,或者通过增加K来缩放到更高的深度。


架构中的深度Transformer有6层,维度为1024,16个注意力头。与之前的工作不同,作者在深度Transformer中为线性层、投影层和全连接层使用每个索引的不同参数。


事实上,不同的子序列可能需要不同的转换。鉴于该Transformer的尺寸较小,这对训练和推理时间都没有影响,但上表结果显示这种深度参数化是有益的。

内心独白

内心独白是一种用于音频语言模型训练和推理的新方法,它通过在音频token之前预测时间对齐的文本token,显著提高了生成语音的事实性和语言质量。

Moshi允许推理来自用户音频和Moshi音频的非语言信息,但这与Moshi在其语音输出中生成文本并不矛盾。根据过去的观察,从粗到细的生成(从语义到声学token)对于生成一致的语音至关重要。


作者利用这种层次结构,使用文本token作为语义token的每个时间步前缀。实验表明,这不仅极大地提高了生成语音的长度和质量,还展示了单个延迟超参数如何允许从ASR模型切换到TTS模型,而不会改变损失、架构或训练数据。

参考资料:

https://x.com/kyutai_labs/status/1836427396959932492

特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。

Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.

相关推荐
热点推荐
黄仁勋,现身大排档!

黄仁勋,现身大排档!

第一财经资讯
2024-11-25 09:03:38
两省一部迎来新任领导成员!58岁中将,任海军副司令员

两省一部迎来新任领导成员!58岁中将,任海军副司令员

上观新闻
2024-11-25 12:50:09
中央定调:家住24年以上旧小区的人有福了,预计5000万人将受益!

中央定调:家住24年以上旧小区的人有福了,预计5000万人将受益!

巢客HOME
2024-11-25 06:00:03
特朗普团队给出解决俄乌冲突时间

特朗普团队给出解决俄乌冲突时间

鲁中晨报
2024-11-25 11:44:12
A股:尾盘V型反转,缩量十字星,已经没悬念,明天大盘走势明确了

A股:尾盘V型反转,缩量十字星,已经没悬念,明天大盘走势明确了

云姐财说
2024-11-25 15:29:37
电视剧都不敢这么演,海南陵水肖峰事件始末不简单,涉及问题太多

电视剧都不敢这么演,海南陵水肖峰事件始末不简单,涉及问题太多

小人物看尽人间百态
2024-11-24 23:43:50
大S发声:协议已签署,无论要求多么苛刻要多少钱,汪小菲要遵守!

大S发声:协议已签署,无论要求多么苛刻要多少钱,汪小菲要遵守!

小咪侃娱圈
2024-11-25 09:09:21
北京中公教育新增1100余条被执行人信息,执行标的合计24.7亿余元

北京中公教育新增1100余条被执行人信息,执行标的合计24.7亿余元

界面新闻
2024-11-25 16:32:44
哈尔滨冰雪大世界糖葫芦点位100万元起拍引关注,去年该项目40万元成交

哈尔滨冰雪大世界糖葫芦点位100万元起拍引关注,去年该项目40万元成交

极目新闻
2024-11-25 14:32:01
突发!网易云音乐怒怼QQ音乐:满屏写着“抄袭”!

突发!网易云音乐怒怼QQ音乐:满屏写着“抄袭”!

第一财经资讯
2024-11-25 13:30:22
萨拉赫:还没收到续约报价我很失望,我可能更接近离队

萨拉赫:还没收到续约报价我很失望,我可能更接近离队

懂球帝
2024-11-25 17:31:08
美今年第三次遣返中国非法移民,目的地沈阳,不愿回国就送卢旺达

美今年第三次遣返中国非法移民,目的地沈阳,不愿回国就送卢旺达

影孖看世界
2024-11-24 21:45:41
最新!外媒:菲副总统称如被害就找马科斯算账,总统马科斯回应

最新!外媒:菲副总统称如被害就找马科斯算账,总统马科斯回应

环球网资讯
2024-11-25 16:26:28
融创在青岛四宗地块被摆上拍卖架,起拍价约5.41亿元

融创在青岛四宗地块被摆上拍卖架,起拍价约5.41亿元

澎湃新闻
2024-11-23 12:16:29
给同事办理退休,医保需补152个月114047.12元,网友:明智的选择

给同事办理退休,医保需补152个月114047.12元,网友:明智的选择

火山诗话
2024-11-25 13:45:16
看着恶心!听着闹心!沪上小区居民遭遇“密集恐惧”,一个月“投诉了N次”→

看着恶心!听着闹心!沪上小区居民遭遇“密集恐惧”,一个月“投诉了N次”→

新民晚报
2024-11-25 18:24:58
央视曝光7万件假羽绒服:查出全是碎毛,高层被刑拘,网友曝细节

央视曝光7万件假羽绒服:查出全是碎毛,高层被刑拘,网友曝细节

阿裤趣闻君
2024-11-25 14:47:33
上海,或沦为经济第三城

上海,或沦为经济第三城

刘晓博说楼市
2024-11-25 12:03:56
终于理解"三代之内有案底不能考公"的规定了!这案例真一针见血啊~

终于理解"三代之内有案底不能考公"的规定了!这案例真一针见血啊~

热闹的河马
2024-11-25 13:54:12
野猪闯入家中撕咬老人,医院:失血过多,当场死亡

野猪闯入家中撕咬老人,医院:失血过多,当场死亡

正在新闻
2024-11-25 14:39:27
2024-11-25 18:55:00
新智元
新智元
AI产业主平台领航智能+时代
11782文章数 65698关注度
往期回顾 全部

科技要闻

蔚来李斌内部信:2026年盈利不容有失

头条要闻

特朗普团队给出解决俄乌冲突时间

头条要闻

特朗普团队给出解决俄乌冲突时间

体育要闻

国乒的起伏与夺冠,有些东西已经变了

娱乐要闻

爆料郑雨盛和女模特,女方非正常怀孕

财经要闻

刘煜辉最新演讲全文:蛇的策略

汽车要闻

特斯拉限时优惠:Model Y仅23.99万起 还能5年0息

态度原创

本地
教育
家居
手机
公开课

本地新闻

城市24小时|领跑万亿城市,武汉“开挂”了?

教育要闻

“明知寒酸,还嫌女儿虚荣”,一份秋游午餐,显露母亲无知的偏心

家居要闻

素韵留白 极简空间的空灵之境

手机要闻

REDMI K80 Pro全面升级!米粉担心价格会大涨 王腾:会涨一些

公开课

一块玻璃,如何改变人类世界?

无障碍浏览 进入关怀版