来源丨新智元

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！

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


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。
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