上周就看过这个模型，没来得及给大家推荐，今天补上。
不用怀疑，你没有看错标题。
不需要集群，不需要拉赞助，更不需要动辄百万的顶级算力，只要一张你打游戏剩下的RTX 3090，只要一杯咖啡外加两小时的午休时间，你就能从零开始亲手训练出一个能听、能看、能流式说话的全模态小钢炮模型。
大模型训练，彻底平民化了！
MiniMind-O不只是开源的一个0.1B模型，也是一套让大家都能玩上训练模型的方法。
而作为Talker的部分则采用前沿的多Token预测架构，能直接流式预测Mimi语音压缩器的多层代码本，摆脱了传统离线TTS的拼凑感。
密集版本仅有 115M（0.1B）参数。
配合项目自带的轻量化数据集，仅需一张消费级RTX 3090显卡，2小时即可跑通从零训练、对齐到推理的全链路，原生支持实时插话打断和声音克隆，真正实现了大模型训练的平民化。
DEMO
如果觉得好玩，你也可以自己去训练一次玩玩，应该有很多朋友都没有搞过模型训练，现在已经没什么门槛了。
- mini数据集：主打极速入门，单卡3090上约2小时即可跑通全流程。
- full数据集：与官方发布权重完全对应，深度覆盖中文语音与图像对齐任务。
零样本声音克隆
- 多音色内置控制：提供多种预设内置音色，完美复现技术报告中的音色控制实验。
- 任意音频泛化克隆：具备强大的克隆能力，可根据任意参考音频流式发声。
工业级全双工交互体验
这么小的模型，就能做到边听边说了。
- 多端全功能演示：完整的推理工具链，同时支持 CLI 命令行与炫酷的 Web UI 交互。
- 电话模式与流式打断：支持双向流式播放，配合 VAD 检测，原生支持实时插话打断（Barge-in）与电话对轰模式。
项目链接
https://github.com/jingyaogong/minimind-o
扫码加入AI交流群获得更多技术支持和交流（请注明自己的职业）
© 版权声明
文章版权归作者所有，未经允许请勿转载。
