MinMo – 阿里通义实验室推出的多模态语音交互大模型-爱论文

MinMo是什么

MinMo是阿里巴巴通义实验室FunAudioLLM团队推出的多模态大模型，专注于实现无缝语音交互。MinMo拥有约80亿参数，基于多阶段训练，在140万小时多样化语音数据和广泛语音任务上进行学习。MinMo支持根据用户指令控制生成音频的情感、方言和说话风格，及模仿特定音色，生成效率超过90%。MinMo支持全双工语音交互，语音到文本延迟约为100毫秒，全双工延迟理论上约为600毫秒，实际约为800毫秒，可实现用户与系统之间的同时双向通信，使多轮对话更加流畅。

MinMo的主要功能

实时语音对话：能实时、自然、流畅地与用户进行语音对话，理解用户的语音指令并生成相应的语音回应。多语言支持：支持多语言语音识别和翻译，在多种语言环境下与用户顺畅沟通。情感表达：根据用户指令生成带有特定情感（如快乐、悲伤、惊讶等）的语音。方言和说话风格：支持生成特定方言（如四川话、粤语等）和特定说话风格（如快速、慢速等）的语音。音色模仿：模仿特定音色，让语音交互更具个性化和表现力。全双工交互：支持用户和系统同时说话和聆听，实现更自然、高效的多轮对话，语音到文本延迟约为100毫秒，全双工延迟理论上约为600毫秒，实际约为800毫秒。

MinMo的技术原理

多模态融合架构：语音编码器：基于预训练的SenseVoice-large编码器模块，提供强大的语音理解能力，支持多语言语音识别、情感识别和音频事件检测。输入投影器：由两层Transformer和一层CNN组成，用在维度对齐和降采样。大型语言模型：用预训练的Qwen2.5-7B-instruct模型，因其在多个基准测试中表现出色。输出投影器：单层线性模块，用在维度对齐。语音标记语言模型：用预训练的CosyVoice 2 LM模块，自回归生成语音标记。Token2wav合成器：将语音标记转换为mel频谱图，再转换为波形，支持实时音频合成。全双工预测器：单层Transformer和线性softmax输出层，用在实时预测是否继续系统响应或暂停处理用户输入。多阶段训练策略：语音到文本对齐：基于大量语音数据和对应的文本标注，训练模型学习语音和文本之间的映射关系，让模型准确地将语音转换为文本，为后续的文本理解和生成打下基础。文本到语音对齐：让模型学习如何将文本转换为语音，生成自然流畅的语音表达，保持文本的语义信息和情感色彩。语音到语音对齐：进一步提升模型对语音的理解和生成能力，让模型直接在语音层面进行交互，更好地处理语音的韵律、语调等特征。双工交互对齐：模拟真实的全双工交互场景，训练模型在同时接收和发送语音信号的情况下，准确地进行语音识别和生成，优化模型在复杂交互环境下的性能。

MinMo的项目地址

项目官网：https://funaudiollm.github.io/minmo/arXiv技术论文：https://arxiv.org/pdf/2501.06282

MinMo的应用场景

智能客服：提供24*7多语言语音支持，实时互动解答客户问题，基于情感识别提供个性化服务，支持全双工对话提高效率。智能助手：控制智能家居设备，管理日程，查询信息，推荐个性化内容，提升生活便利性和信息获取效率。教育领域：辅助语言学习，互动教学提高参与度，根据学习进度提供个性化计划，情感支持鼓励学生学习。医疗健康：远程医疗咨询，健康监测提醒，康复训练指导，情感支持疏导，提升医疗服务的可及性和患者体验。智能驾驶：语音控制车辆系统，提供实时交通信息，紧急情况指导，全双工对话提高驾驶安全性和便利性。