2026年7月9日 周四晚上19:30,报名腾讯会议了解“如何构建自进化的动态知识库(Brain)”(限30人)
免费POC, 零成本试错
FDE知识库

FDE知识库

学习大模型的前沿技术与行业落地应用


收藏

探索 Mini - Omni:开启语音多模态交互新征程

发布日期:2024-09-21 07:34:33 浏览次数: 3125
作者:小兵的AI视界

微信搜一搜,关注“小兵的AI视界”

随着大模型技术的蓬勃发展,全球 AI 领域已经步入了多模交互的新纪元。2024 5 OpenAI 推出多模态模型 GPT4O 之后,语音文本多模态大模型的研究热度持续攀升。然而,现有的语音对话系统存在着一些亟待解决的问题。例如,很多模型无法有效地理解语音中的非文本信息,导致交互体验不够流畅和智能同时,AI 回复迟缓的实时性问题也在很大程度上限制了语音交互系统在一些对实时性要求较高场景中的应用。在这样的背景下,Mini - Omni 模型应运而生,它旨在解决这些关键问题,为语音多模态交互领域开辟新的道路。

一、Mini - Omni 模型的主要特点


1. 实时语音到语音能力


Mini - Omni 具备强大的实时语音到语音的交互能力。用户可以直接通过语音与模型进行自然流畅的对话,模型会实时输出语音响应。这种实时性和语音交互的便捷性,使得用户与模型之间的交互变得更加高效和自然,无论是在日常生活还是在专业领域的应用中都具有极大的优势。


2. 文本和音频同时生成


该模型的一个独特之处在于它能够同时生成文本和音频。这种边想边说的能力确保了对话流程的连贯性和流畅性。在交互过程中,模型一边生成准确的文本信息,一边将其转化为自然的音频输出,让用户可以在听到语音的同时,也能查看对应的文本内容,极大地提高了信息传递的效率和用户体验。


3. 流式音频输出


Mini - Omni 支持流式音频输出,这对于那些对实时性要求较高的交互应用场景来说是至关重要的。例如在实时语音通话、在线客服等场景中,模型能够实时地将生成的音频片段输出,减少用户等待时间,提供更加流畅和自然的交互体验。


4. 批量推理


它还具备高效的批量推理能力。通过音频到文本音频到音频的批量推理方法,Mini - Omni 能够在短时间内处理大量的音频数据,进一步提升了模型的性能和响应速度。这种批量推理能力在处理大规模语音数据时具有明显的优势,可以有效地提高系统的整体效率。


二、Mini - Omni 模型的架构解析


Mini - Omni 模型基于 Qwen 2 - 0.5b 架构构建,Qwen 2 - 0.5b 是一种具有 24 个模块、内部维度为 896 Transformer 架构。在此基础上,模型结合了 Whisper - small 编码器来有效地处理语音输入。在输出侧,音频采用离散编码的方式,通过音频解码头和文本解码头同时进行文本和语音的解码。然后,将两者的表征进行特征融合作为下一步的输入。这种独特的架构设计使得模型能够高效地处理语音和文本信息,实现了多模态信息的无缝融合和交互。


三、Mini - Omni 模型的训练方法


1. “Any Model Can Talk”训练框架


Mini - Omni 提出了“Any Model Can Talk”的训练框架,该框架分为三个关键阶段。


首先是模态对齐阶段,在这个阶段主要是增强文本模型理解和生成语音的能力。通过特定的算法和数据处理方式,让模型能够更好地理解语音信息,并将其与文本信息进行有效的对齐和融合。


其次是适应训练阶段,主要训练模型在给定音频输入时的文本推理能力。通过大量的音频数据和对应的文本数据进行训练,让模型能够快速准确地从音频中提取关键信息,并进行合理的文本推理。


最后是多模态微调阶段,在这个阶段使用全面的数据对整个模型进行微调。通过对模型的各个参数进行精细调整,使模型具备更加出色的语音交互能力,同时尽可能地保留原始模型的推理能力,确保模型在多模态交互场景下的性能和稳定性。


2. 训练过程中的数据处理


在训练过程中,模型使用了多个语音识别数据集来建立基础的语音能力。这些数据集涵盖了不同类型的语音样本和场景,为模型提供了丰富的训练素材。同时,还使用了其他相关数据集来保留文本准确性和进行多模态交互训练,确保模型在处理文本和多模态信息时的准确性和高效性。


四、Mini - Omni 模型的应用前景


作为首个开源的端到端实时语音多模态模型,Mini - Omni 为语音交互领域的研究和应用提供了新的可能性。


在智能语音助手领域,它可以提供更加自然流畅的语音交互体验,让用户可以更加方便快捷地获取信息和完成各种操作。无论是查询天气、设置提醒还是进行智能家居控制等操作,Mini - Omni 都能提供高效的语音交互服务。


在智能客服领域,它的实时语音到语音能力和批量推理能力可以有效地提高客服效率和服务质量。客服人员可以通过更加自然的语音交互与客户进行沟通,快速解决客户问题,提高客户满意度。


在语音交互游戏等场景中,Mini - Omni 也有着广阔的应用前景。它可以为游戏玩家提供更加沉浸式的语音交互体验,让玩家可以通过语音指令更加方便地控制游戏角色和完成游戏任务。


五、Mini - Omni 模型本地部署安装


1. 安装依赖


创建新的conda环境并安装所需的包:
conda create -n omni python=3.10conda activate omnigit clone https://github.com/gpt-omni/mini-omni.gitcd mini-omnipip install -r requirements.txt

2. 启动服务器

注意:在运行 streamlit gradio 演示之前,您需要启动服务器,并将 API_URL 设置为服务器地址。


sudo apt-get install ffmpegconda activate omnicd mini-omnipython3 server.py --ip '0.0.0.0' --port 60808


3. 运行 streamlit 演示


注意:您需要在安装 PyAudio 的情况下在本地运行 streamlit 。如果出现错误:ModuleNotFoundError: No module named 'utils.vad',请先运行export PYTHONPATH=./
pip install PyAudio==0.2.14API_URL=http://0.0.0.0:60808/chat streamlit run webui/omni_streamlit.py

4. 运行 gradio 演示

API_URL=http://0.0.0.0:60808/chat python3 webui/omni_gradio.py

六、结语


综上所述,Mini - Omni 模型在语音多模态交互领域展现出了强大的实力和巨大的应用潜力。它的实时语音到语音能力、文本和音频同时生成能力、流式音频输出能力以及高效的批量推理能力等特点,使其在智能语音助手、智能客服、语音交互游戏等多个领域都有着广泛的应用前景。

同时,其独特的模型架构和训练方法也为语音多模态模型的研究和发展提供了新的思路和方法。随着技术的不断发展和完善,我们有理由相信 Mini - Omni 模型将在未来的语音多模态交互领域发挥更加重要的作用,为人们的生活和工作带来更多的便利和创新。

53AI,企业落地大模型首选服务商

产品:场景落地咨询+大模型应用平台+行业解决方案

承诺:免费POC验证,效果达标后再合作。零风险落地应用大模型,已交付160+中大型企业

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

添加专属顾问

回到顶部

加载中...

扫码咨询

扫码登录
登录即表示您同意《53AI网站服务协议》
服务协议

欢迎您使用【53AI 官方网站】(以下简称“本网站”或“我们”)。本《会员服务协议》(以下简称“本协议”)是您(以下简称“会员”或“用户”)与【深圳市博思协创网络科技有限公司】之间关于注册、登录及使用本网站会员服务所订立的法律协议。

在您注册或登录前,请务必审慎阅读、充分理解各条款内容,特别是免除或限制责任的条款、知识产权条款、争议解决条款等。此类条款将以加粗形式提示您注意。 当您通过微信公众号授权、手机验证码验证或其他方式成功登录本网站时,即视为您已完全理解并同意接受本协议的全部内容。

一、 定义

本网站:指由【深圳市博思协创网络科技有限公司】运营的,域名为【53ai.com】的网站及相关移动端页面。

会员服务:指本网站向注册会员提供的知识库文章查阅、内容检索及其他相关增值服务。

知识库内容:指本网站发布的包括但不限于文字、图表、数据、研究报告、行业分析等数字化内容资源。

二、 账号注册与登录

登录方式:本网站支持以下登录方式,您可根据实际情况选择:

微信公众号授权登录:您同意将您的微信OpenID信息授权给本网站,用于创建或关联会员账号。

手机验证码登录:您需提供真实有效的手机号码,并通过短信验证码完成身份验证与登录/注册。

账号安全:您的账号仅限您本人使用,禁止赠与、借用、租用、转让或售卖。因您保管不善导致的账号被盗、密码泄露等损失,由您自行承担。

实名认证:根据相关法律法规要求,我们可能要求您在特定功能下完成实名认证。如您拒绝提供,可能无法使用部分或全部服务。

未成年人保护:若您未满18周岁,请在法定监护人的陪同下阅读本协议,并在征得监护人同意后使用本服务。

三、 服务内容与规范

知识库查阅权限:会员登录后,有权按照其会员等级对应的权限范围,在线浏览、检索本网站知识库中的相关文章及内容。

服务变更:我们有权根据业务发展需要,调整、变更或终止部分服务内容,并将以网站公告、公众号消息等方式提前通知。

禁止行为:您在使用服务时不得实施以下行为:

利用技术手段批量爬取、下载、转存知识库内容;

将知识库内容用于商业目的或未经授权地向第三方传播;

干扰本网站正常运行或侵犯其他用户合法权益;

发布违法违规信息或从事违反公序良俗的活动。

四、 知识产权声明

权利归属:本网站知识库中的排版设计、软件代码等内容的知识产权均归【公司全称】或原权利人所有,受《中华人民共和国著作权法》等法律保护。

有限许可:本网站授予会员一项非独占、不可转让、不可转授权的普通许可,仅限于个人学习、研究之目的在线查阅知识库内容。

侵权追责:未经书面许可,任何单位或个人不得以任何形式复制、转载、摘编、镜像、汇编或以其他方式使用上述内容。一经发现,我们保留追究其法律责任的权利。

五、 个人信息保护

我们重视对您个人信息的保护。关于我们如何收集、使用、存储和保护您的个人信息,请单独阅读 《隐私政策》。

您通过微信公众号授权或手机号验证所提供的信息,我们将严格按照《个人信息保护法》的规定处理,仅用于身份识别、服务提供及安全验证等必要用途。

您可以随时通过网站设置或联系客服行使查阅、更正、删除个人信息及撤回授权同意的权利。

六、 免责声明

内容准确性:知识库内容仅供参考,不构成专业建议。我们不对其完整性、准确性、时效性作任何明示或暗示的保证,您应自行判断并承担使用风险。

不可抗力:因自然灾害、政策法规变化、网络故障、第三方平台接口异常(如微信接口维护、运营商短信通道故障)等不可抗力导致的服务中断或延迟,我们不承担违约责任。

第三方链接:本网站可能包含指向第三方网站的链接,该等网站的内容和服务不受我们控制,请您自行甄别风险。

七、 违约责任

如您违反本协议约定,我们有权视情节采取警告、限制功能、暂停服务、注销账号等措施,并保留要求赔偿损失的权利。

如因您的违约行为导致我们遭受行政处罚、第三方索赔或商誉损失,您应承担全部赔偿责任(包括但不限于罚款、赔偿金、律师费、公证费等)。

八、 法律适用与争议解决

本协议的订立、执行和解释均适用中华人民共和国大陆地区法律。

因本协议产生的或与本协议有关的任何争议,双方应友好协商解决;协商不成的,任何一方均可向【公司所在地】有管辖权的人民法院提起诉讼。

九、 其他

本协议构成双方就本服务达成的完整协议,取代此前任何口头或书面约定。

本协议任一条款被认定为无效或不可执行的,不影响其他条款的效力。

我们对本协议享有最终解释权,并在法律允许的范围内保留随时修改的权利。修改后的协议一经公布即生效,继续使用服务即视为同意修订内容。


已查阅