Hibiki：实时语音翻译模型打破语言交流障碍！支持将语音实时翻译成其他语言的语音或文本-CSDN博客

本文链接：https://blog.csdn.net/qq_19841021/article/details/145558173

❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发感兴趣，我会每日分享大模型与 AI 领域的开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术！

🥦 微信公众号｜搜一搜：蚝油菜花 🥦

大家好，我是蚝油菜花，今天跟大家分享一下 Hibiki 这个开源的实时语音翻译模型，能够将一种语言的语音实时翻译成另一种语言的语音或文本。

🚀 快速阅读

Hibiki 是一个用于实时语音翻译的解码器模型，支持语音到语音（S2ST）和语音到文本（S2TT）的翻译功能。

核心功能：实时语音到语音和文本翻译，支持批量和设备端部署。
技术原理：基于多流语言模型架构，使用弱监督学习生成合成数据，确保低延迟和高保真度。

Hibiki 是什么

Hibiki

Hibiki 是由 Kyutai Labs 开源的实时语音翻译模型，能够将一种语言的语音实时翻译成另一种语言的语音或文本。它基于多流语言模型架构，同步处理源语音和目标语音，联合生成文本和音频标记，实现语音到语音（S2ST）和语音到文本（S2TT）的翻译功能。Hibiki 使用弱监督学习方法，基于文本翻译系统的困惑度识别单词级的最佳延迟，创建对齐的合成数据进行训练。

Hibiki 在法语到英语的翻译任务中表现出色，具有高翻译质量、说话者保真度和自然度，支持批量翻译和实时设备端部署，展现了强大的实用潜力。

Hibiki 的主要功能

实时语音到语音翻译（S2ST）：将一种语言的语音实时翻译成另一种语言的语音，保留说话者的音色和语调。
实时语音到文本翻译（S2TT）：将语音实时翻译成目标语言的文本，提供更灵活的使用场景。
低延迟翻译：基于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，支持批量处理和实时设备端部署，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：同时接收源语音和生成目标语音，基于多流架构联合建模两个音频流。
  avigator。
- 文本和音频标记：模型预测文本和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：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并重新合成目标语音，生成对齐的合成数据。
- 上下文对齐：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同步。
- 静音插入与对齐感知TTS：基于插入静音或用对齐感知的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要求。
说话者相似性与分类器自由引导：
- 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，避免过滤数据的同时，在推理时优先选择高相似性样本。
- 分类器自由引导：调整条件标签的权重，增强模型对说话者相似性的控制，进一步提升语音保真度。
高效的推理过程：
- 温度采样：用温度采样技术，结合因果音频编解码器，实现流式输入和输出。
- 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，适合大规模应用场景。

如何运行 Hibiki

1. PyTorch

为了使用 PyTorch 运行 Hibiki，首先需要安装 moshi 包：

pip install -U moshi

然后可以从 kyutai-labs/moshi 获取示例文件，并通过以下命令进行翻译：

kyutai-labs/moshi：https://github.com/kyutai-labs/moshi/tree/main/data

wget https://github.com/kyutai-labs/moshi/raw/refs/heads/main/data/sample_fr_hibiki_crepes.mp3
python -m moshi.run_inference sample_fr_hibiki_crepes.mp3 out_en.wav --hf-repo kyutai/hibiki-1b-pytorch-bf16

你可以通过 --cfg-coef 参数指定分类器自由引导系数，默认值为 1，较高的值会使生成的语音更接近原始语音。常用的值为 3。

2. MLX

为了使用 MLX 运行 Hibiki，首先需要安装 moshi_mlx 包：

pip install -U moshi_mlx

然后可以从 kyutai-labs/moshi 获取示例文件，并通过以下命令进行翻译：

kyutai-labs/moshi：https://github.com/kyutai-labs/moshi/tree/main/data

wget https://github.com/kyutai-labs/moshi/raw/refs/heads/main/data/sample_fr_hibiki_crepes.mp3
python -m moshi_mlx.run_inference sample_fr_hibiki_crepes.mp3 out_en.wav --hf-repo kyutai/hibiki-1b-mlx-bf16

同样可以通过 --cfg-coef 参数指定分类器自由引导系数。

3. MLX-Swift

kyutai-labs/moshi-swift 仓库包含了一个可以在 iPhone 上运行的 MLX-Swift 实现。此代码为实验性质，已在 iPhone 16 Pro 上测试通过。

kyutai-labs/moshi-swift：https://github.com/kyutai-labs/moshi-swift

4. Rust

hibiki-rs 目录包含了一个简单的 Rust 应用程序，可以根据原始音频文件生成翻译。你可以使用 --features cuda 来在 NVIDIA GPU 上运行，或者使用 --features metal 来在 Mac 上运行。

hibiki-rs：https://github.com/kyutai-labs/hibiki/tree/main/hibiki-rs

cd hibiki-rs
wget https://github.com/kyutai-labs/moshi/raw/refs/heads/main/data/sample_fr_hibiki_crepes.mp3
cargo run  --features metal -r -- gen sample_fr_hibiki_crepes.mp3 out_en.wav