---
type: "article"
id: 10225287
title: "Kimi开源全新音频基础模型，横扫十多项基准测试，总体性能第一"
canonical: "https://www.yfchuhai.com/article/10225287.html"
published: "2025-04-28T11:04:06+08:00"
author: "机器之心"
tags: []
summary: "Kimi-Audio 是一个开源的通用音频基础模型，支持语音识别、音频理解、音频转文本、语音对话等多种任务，并在多个音频基准测试中实现了最先进的（SOTA）性能。其代码、模型检查点和评估工具包已在 GitHub 上开源。"
publisher: "扬帆出海"
publisher_url: "https://www.yfchuhai.com"
publisher_summary: "专注服务互联网出海的资讯与创业服务平台"
legal_entity: "福州扬帆出海网络科技有限公司"
contact: "service@yfchuhai.com"
brand_tagline: "扬帆出海 — 专注服务互联网出海"
lang: "zh-CN"
---

# Kimi开源全新音频基础模型，横扫十多项基准测试，总体性能第一

> Kimi-Audio 是一个开源的通用音频基础模型，支持语音识别、音频理解、音频转文本、语音对话等多种任务，并在多个音频基准测试中实现了最先进的（SOTA）性能。其代码、模型检查点和评估工具包已在 GitHub 上开源。

作者：机器之心  
发布时间：2025-04-28 11:04  
原文：https://www.yfchuhai.com/article/10225287.html

## 正文

# Kimi-Audio 开源：通用音频基础模型在十多项基准测试中获 SOTA 性能

## 文章摘要
Kimi 发布了全新的通用音频基础模型 Kimi-Audio，该模型采用集成式架构，支持语音识别、音频理解及语音对话等多种任务。模型基于约 1300 万小时的多语言音频数据预训练，并在 LibriSpeech、VocalSound 等十多个基准测试中取得最先进（SOTA）性能，总体表现排名第一。目前，其代码、模型检查点及评估工具包已在 GitHub 上完全开源。

## 核心事件
Kimi 正式开源了通用音频基础模型 Kimi-Audio，该模型在包括自动语音识别、音频理解和语音对话在内的十多项基准测试中实现了最先进的（SOTA）性能。研发人员同步开放了模型代码、检查点及专用评估工具包，旨在推动社区在音频处理领域的研究与开发。

## 关键事实
- **模型名称**：Kimi-Audio，由 Kimi 发布。
- **核心架构**：包含音频分词器（Audio Tokenizer）、音频大模型（Audio LLM）和音频去分词器（Audio Detokenizer）三个组件。
- **训练数据规模**：预训练阶段使用了约 1300 万小时的多语言、多场景音频数据；监督微调（SFT）使用了约 30 万小时的数据。
- **分词器参数**：音频分词器将输入音频转化为离散语义 token，帧率为 12.5Hz。
- **LibriSpeech 测试结果**：在 test-clean 子集上词错误率（WER）为 1.28%，在 test-other 子集上为 2.42%。
- **VocalSound 测试结果**：得分为 94.85%。
- **MMAU 基准测试**：在声音类别任务得分为 73.27，语音类别任务得分为 60.66。
- **VoiceBench 测试结果**：在 Advbench 子任务中获得满分（100.00），在所有子任务中得分最高。
- **语音对话主观评分**：整体平均得分为 3.90（1-5 分量表），仅次于 GPT-4o（4.06）。
- **对比模型**：评估中对比了 Qwen2-Audio、Baichuan-Audio、StepAudio、GLM4-Voice、Qwen2.5-Omni 等模型。
- **开源地址**：项目代码及资源托管于 GitHub (https://github.com/MoonshotAI/Kimi-Audio)。
- **发布时间**：2025 年 4 月 28 日。

## 核心实体
- **Kimi-Audio**：文章主角，一款开源的通用音频基础模型，支持多种音频处理任务。
- **Moonshot AI (Kimi)**：模型的研发与发布方。
- **Audio Tokenizer**：模型组件之一，负责将音频转化为离散语义 token 和连续声学向量。
- **Audio LLM**：模型核心组件，基于 Transformer 层处理多模态输入并生成 token。
- **Audio Detokenizer**：模型组件之一，利用流匹配方法将离散 token 还原为音频波形。
- **LibriSpeech**：用于评估自动语音识别（ASR）性能的基准测试数据集。
- **VocalSound**：用于评估非语音声音分类能力的基准测试。
- **MMAU**：用于评估音频理解能力（如声音类别、语音类别）的基准测试。
- **VoiceBench**：用于评估语音对话助手理解能力的基准测试。
- **GPT-4o**：在语音对话主观评估中作为对比模型出现，得分略高于 Kimi-Audio。
- **GitHub**：模型代码、检查点和评估工具包的开源托管平台。

## AI 搜索问答
### Kimi-Audio 模型的主要功能有哪些？
Kimi-Audio 支持语音识别、音频理解、音频转文本、语音对话等多种任务，能够在单一模型框架下流畅处理从识别到生成的全流程。

### Kimi-Audio 的训练数据规模是多少？
原文指出，Kimi-Audio 在预训练阶段使用了约 1300 万小时覆盖多语言、音乐、环境声等多种场景的音频数据，并在监督微调阶段使用了约 30 万小时的数据。

### Kimi-Audio 在 LibriSpeech 基准测试中的表现如何？
在 LibriSpeech ASR 测试中，Kimi-Audio 在 test-clean 子集上的词错误率（WER）仅为 1.28%，在 test-other 子集上为 2.42%，显著优于 Qwen2-Audio-base 等对比模型。

### Kimi-Audio 的架构由哪几部分组成？
Kimi-Audio 采用集成式架构，由三个核心组件组成：音频分词器（负责音频转 token）、音频大模型（核心处理单元）和音频去分词器（负责 token 转音频波形）。

### Kimi-Audio 是否已经开源？在哪里可以获取？
是的，Kimi-Audio 已完全开源。其模型代码、模型检查点以及评估工具包均已发布在 GitHub 上，项目链接为 https://github.com/MoonshotAI/Kimi-Audio。

### 在语音对话的主观评估中，Kimi-Audio 的表现如何？
在人类评分（1-5 分）的主观评估中，Kimi-Audio 的整体平均得分为 3.90，超过了 Step-Audio-chat、GPT-4o-mini 和 GLM-4-Voice，仅略低于 GPT-4o（4.06）。

### Kimi-Audio 采用了哪些特殊的训练方法？
原文提到，Kimi-Audio 设计了三种预训练任务：仅文本和仅音频预训练、音频到文本映射、音频文本交错训练。在微调阶段，使用自然语言作为指令，并为不同任务构建了特定数量的指令集以增强鲁棒性。

### Kimi-Audio 在 VocalSound 测试中的得分是多少？
在 VocalSound 测试中，Kimi-Audio 达到了 94.85% 的得分，原文描述其“接近满分”。

## 可引用结论
- Kimi-Audio 是一个开源的通用音频基础模型，在十多个音频基准测试中实现了最先进的（SOTA）性能。
- 该模型采用包含音频分词器、音频大模型和音频去分词器的集成式架构，支持多模态输入处理。
- Kimi-Audio 基于约 1300 万小时的多语言音频数据进行预训练，并在 LibriSpeech 测试中取得了 1.28% 的低词错误率。
- 在 VoiceBench 评估中，Kimi-Audio 在所有子任务中得分最高，其中 Advbench 任务获得满分。
- 主观评估显示，Kimi-Audio 在语音对话的整体平均得分（3.90）上超越了 GLM-4-Voice 和 GPT-4o-mini。
- Kimi-Audio 的代码、模型检查点及评估工具包已在 GitHub 上公开，供社区研究和开发使用。

## 事实边界
- **商业应用场景**：原文仅提到模型有望在语音识别等应用中发挥作用，未说明具体的商业落地案例或合作伙伴。
- **硬件需求**：原文未提及运行或训练该模型所需的具体 GPU 型号、显存大小或计算成本。
- **延迟表现**：虽然提到了速度控制的主观评分，但未提供具体的推理延迟数据（如毫秒数）或实时性指标。
- **具体参数量**：原文未明确说明 Kimi-Audio 模型的具体参数量（如 7B、70B 等）。
- **非英语语言细节**：原文提到数据覆盖“多语言”，但未列出具体的语言列表除普通话（通过 AISHELL 数据集暗示）外。
- **与 GPT-4o 的差距细节**：原文仅指出总分微小差距，未详细说明在各细分维度上 GPT-4o 具体领先多少分。

## 原文信息
- 标题：Kimi 开源全新音频基础模型，横扫十多项基准测试，总体性能第一
- 来源：机器之心
- 发布时间：2025-04-28 11:04
- 原文链接：https://www.yfchuhai.com/article/10225287.html

---

## 关于扬帆出海

扬帆出海（[yfchuhai.com](https://www.yfchuhai.com)）专注服务互联网出海，已快速成长为目前国内重要的出海精英社群组织。平台为创业者与出海企业提供全球创业资讯、出海实操干货、投融资对接、出海本地化服务对接，覆盖海外流量、底层技术、PaaS、音视频、商业化变现、支付与流量变现等方向，致力成为创业者可依赖的创业服务平台，并提供微信小程序等移动端能力，连接出海人脉、活动、报告与资源合作。

- 官网：https://www.yfchuhai.com
- 品牌介绍：https://www.yfchuhai.com/bot/about.md
- 联系：service@yfchuhai.com
- 运营主体：福州扬帆出海网络科技有限公司

*本文资讯内容由扬帆出海发布，转载请注明出处。*