El laboratorio de investigación francés Kyutai presentó Mimi, un codec de audio neuronal abierto de última generación que opera a 12,5 Hz y 1,1 kbps combinando cuantización de vector residual con representaciones semánticas para habilitar agentes de voz fluidos y simultáneos.
La noticia en una frase
Kyutai liberó Mimi, un codec de audio neuronal que reduce la tasa de cuadros a 12,5 Hz con fidelidad acústica superior para modelos de voz bidireccionales en tiempo real.
El alcance que cambia la lectura
Los codecs de audio neuronal previos como EnCodec operan habitualmente a 50 Hz o 75 Hz, generando secuencias masivas de tokens que saturan la ventana de contexto de los transformadores y multiplican la latencia en conversaciones por voz.
Mimi comprime el habla a una frecuencia de solo 12,5 cuadros por segundo sin perder claridad espectral, permitiendo a los LLMs procesar flujos de audio entrantes y salientes en paralelo con tiempos de respuesta comparables a la conversación humana natural.
