Kimi-Audio

Kimi-Audio 是一个开源的音频基础模型，专注于音频理解、生成和对话。其核心功能包括自动语音识别、音频问答、自动音频字幕生成、语音情感识别以及声音事件/场景分类等，并在多个音频基准测试中取得了领先的成绩。技术上，Kimi-Audio 通过大规模预训练（超过1300万小时的音频和文本数据）结合创新的混合输入架构（连续声学向量与离散语义标记）来实现高效且准确的音频处理。该模型适用于需要高质量音频理解和生成能力的各种应用场景，如智能助手、语音交互系统或多媒体内容分析工具。