AI音频核爆！Kimi开源「六边形战神」Kimi-Audio，音频界ChatGPT来了？

刚刚，kimi 发布全新通用音频基础模型 Kimi-Audio，这款由月之暗面（Moonshot AI）推出的开源模型，在 24 小时内收获 3.2 万星标，不仅以 1.28% 词错率刷新语音识别纪录，更在情感分析、声音事件分类等十项任务中碾压其他竞品，堪称“六边形战士”——没有短板，只有王炸。

传统音频模型往往专精单一任务：语音识别、情感分析、降噪……开发者需像拼乐高般组合多个工具。而 Kimi-Audio 的颠覆性在于，它用三层架构统一了音频处理各项任务：
音频分词器： 将声音转化为离散语义token，保留声学细节；音频大模型：基于Transformer处理多模态输入，生成文本与音频token；音频去分词器：通过流匹配技术，将token转化为自然声波。
这种设计让模型能同时处理语音识别、情感分析、环境声分类等任务，完成了从音频输入到文本输出的全过程，这已经超越了工具范畴，更像是拥有听觉思维的智能体。

除了新颖的模型架构外，Kimi-Audio 在数据建构和训练方法上也下足了功夫。

在实际应用中的表现方面，研究者们基于评估工具包对 Kimi-Audio 在一系列音频处理任务中的表现进行了详细评估，包括自动语音识别（ASR）、音频理解、音频转文本聊天和语音对话等。Kimi-Audio 的表现显著超越了其他同类模型。

目前，Kimi-Audio的模型代码、模型检查点以及评估工具包已经在 Github 上开源。

Kimi-Audio 的发布，恰逢 AI 多模态革命的临界点。当 GPT-4o、Gemini 3.0 聚焦“视觉+文本”时，Kimi选择押注被低估的听觉赛道，为音频技术领域带来了新的突破和创新。