Hibiki

Hibiki – Kyutai Labs 推出的实时语音翻译模型

Hibiki是Kyutai Labs开发的一款开源解码器模型，专注于实时语音翻译。它能够将一种语言的语音即时转换为另一种语言的语音或文本，基于先进的多流语言模型架构，Hibiki同时处理源语言和目标语言的语音，联动生成文本与音频标记，从而实现语音到语音（S2ST）和语音到文本（S2TT）的翻译功能。

Hibiki是什么

Hibiki是Kyutai Labs推出的一款开源解码器模型，旨在实现实时的语言翻译。它可以将一种语言的语音转化为另一种语言的语音或文本。Hibiki依托多流语言模型架构，能够同步处理源语音与目标语音，联合生成文本和音频标记，具备语音到语音（S2ST）和语音到文本（S2TT）的翻译功能。通过弱监督学习方法，Hibiki根据文本翻译系统的困惑度识别最佳的单词级延迟，从而创建对齐的合成数据进行训练。该模型在法语到英语的翻译任务中表现优异，展现出高翻译质量、说话者的音色保真度和自然度，同时支持批量翻译和实时设备端部署，显示了强大的实用潜力。

Hibiki

Hibiki的主要功能

实时语音到语音翻译（S2ST）：能够将一种语言的语音实时翻译为另一种语言的语音，保持说话者的音色和语调。
实时语音到文本翻译（S2TT）：将语音实时转换为目标语言的文本，提供更多的使用场景选择。
低延迟翻译：通过实时积累上下文信息，逐块生成翻译内容，延迟极低，接近人类口译的水平。
高保真度：生成的语音自然流畅，与源语音的音色和语调高度相似，用户体验接近专业人类口译。
支持批量和实时部署：推理过程简单高效，支持批量处理以及实时设备端部署，适合大规模应用。

Hibiki的技术原理

多流语言模型架构：
- 同步处理：同时接收源语音并生成目标语音，基于多流架构联合建模两个音频流。
- 文本和音频标记：模型预测文本与音频标记的层次结构，实现语音到文本和语音到语音的翻译。
- 因果音频编解码器：利用预训练的因果音频编解码器（如Mimi）将语音编码为低帧率的离散标记，支持实时流式处理。
弱监督学习与上下文对齐：
- 合成数据生成：基于翻译单语音频的转录文本重新合成目标语音，生成对齐的合成数据。
- 上下文对齐：利用现成文本翻译系统的困惑度，计算单词级对齐，确保目标语音的生成与源语音的上下文保持同步。
- 静音插入与对齐感知TTS：通过插入静音或利用对齐感知的TTS模型重新合成目标语音，确保目标语音的延迟符合实时翻译的需求。
说话者相似性与分类器引导：
- 说话者相似性标记：对训练数据进行说话者相似性分类标记，确保在推理时优先选择高相似性样本。
- 分类器引导：调整条件标签的权重，增强模型对说话者相似性的控制，进一步提升语音的保真度。
高效的推理过程：
- 温度采样：运用温度采样技术，结合因果音频编解码器，实现流式输入与输出。
- 批量处理与实时部署：推理过程简单高效，支持批量处理和实时设备端部署，适合大规模应用。