OmniAudio-2.6B – Nexa AI推出的端侧多模态音频语言模型-爱论文

OmniAudio-2.6B是什么

OmniAudio-2.6B是Nexa AI推出的音频语言模型，专为边缘部署设计，能实现快速且高效的音频文本处理。OmniAudio-2.6B是具有2.6亿参数的多模态模型融合Gemma-2-2b、Whisper Turbo和定制的投影模块，优化自动语音识别和语言模型的集成，减少延迟和资源消耗。在2024款Mac Mini M4 Pro上，OmniAudio-2.6B展现出比Qwen2-Audio-7B-Instruct快5.5到10.3倍的解码速度。OmniAudio-2.6B适用于多种场景，包括语音问答、对话、创意内容生成等，基于Nexa SDK在本地设备上运行，为用户提供了强大的边缘AI解决方案。

OmniAudio-2.6B的主要功能

语音识别与转录：将语音输入转换成文本，适用于会议记录、语音笔记等场景。语音问答：用户通过语音向模型提问，模型能理解问题并提供文本回答。语音对话：模型能参与语音对话，理解语音输入并生成相应的文本回复。创意内容生成：用户能要求模型基于语音输入生成创意内容，如诗歌、故事等。录音摘要：模型能对长时间的语音记录进行理解和总结，提供关键信息的摘要。

OmniAudio-2.6B的技术原理

集成架构：整合Gemma-2-2b、Whisper Turbo和自定义投影模块，减少传统ASR和LLM模型串联带来的延迟和资源消耗。稀疏性利用：基于语言模型嵌入空间的稀疏性，投影模块将Whisper的音频tokens映射到与Gemma文本嵌入对齐的序列，实现音频和文本的有效融合。三阶段训练流程：预训练：用MLS English 10k转录数据集，引入特殊token区分转录和补全任务。监督式微调（SFT）：基于转录数据集创建合成数据集，用在指令调优，让模型理解并处理对话音频输入。直接偏好优化（DPO）：基于GPT-4o API评估模型输出，识别并优化错误响应，提高模型的准确性。高效推理引擎：Nexa SDK是基于GGML的C++推理引擎，专为在边缘设备上部署音频语言模型而设计，能实现高效的音频语言模型推理。量化和优化：模型支持FP16和Q4_K_M量化版本，减少内存和存储需求，适应资源受限的边缘设备。

OmniAudio-2.6B的项目地址

项目官网：nexa.ai/blogs/omniaudio-2.6bHuggingFace模型库：https://huggingface.co/NexaAIDev/OmniAudio-2.6B在线体验Demo：https://huggingface.co/spaces/NexaAIDev/omni-audio-demo

OmniAudio-2.6B的应用场景

智能助手和虚拟助手：在智能手机、智能家居设备中作为语音交互的核心，提供快速响应的语音识别和自然语言理解功能。车载系统：集成到汽车中，提供语音控制、导航、娱乐系统操作等功能，提高驾驶安全性和便利性。会议记录和转录：在商务会议中自动记录和转写会议内容，生成会议摘要，提高工作效率。教育和学习：辅助语言学习，提供语音识别和反馈，帮助学习者提高发音和语言能力。医疗健康：在医疗环境中，通过语音命令控制医疗设备，或为患者提供语音交互服务。