Kimi-Audio：开源音频基础模型
统一处理语音识别、音频理解、音频问答与端到端语音对话的开源音频基础模型，附推理代码、模型权重与评测工具包。
Kimi-Audio 是一个开源音频基础模型，在单一框架内覆盖自动语音识别（ASR）、音频问答、自动音频标注、语音情感识别、声音事件/场景分类和端到端语音对话等任务。模型由三部分组成：音频 Tokenizer 将输入转为 12.5Hz 离散语义 token 与 Whisper 编码器提取的连续声学特征；Audio LLM 以 Qwen 2.5 7B 为初始化，通过并行头自回归生成文本与音频语义 token；Audio Detokenizer 用流匹配模型和 BigVGAN 将语义 token 还原为波形，支持分块流式低延迟生成。仓库提供预训练与指令微调权重、推理代码、微调示例，以及可复现其结果与基线的评测工具包 Kimi-Audio-Evalkit。