MiniMind-O 学习教程 | 源码与参考

源码地图

文件	建议关注	学习问题
model/model_minimind.py	`MiniMindConfig`、`MiniMindBlock`、`MiniMindForCausalLM`、MoE。	语言模型主干如何实现？
model/model_omni.py	`OmniConfig`、projector、`MiniMindOmni.forward`、`stream_generate`、`RealtimeSession`。	多模态如何注入？Talker 如何生成 audio codes？
dataset/omni_dataset.py	Parquet 字段、chat prompt、9 路 input_ids、audio labels。	一个训练样本到底长什么样？
trainer/train_sft_omni.py	collate、text/audio loss、训练模式、DDP。	训练循环如何同时优化文本和语音？
trainer/trainer_utils.py	模型初始化、权重加载、checkpoint、学习率。	从 LLM 权重到 Omni 权重如何衔接？
eval_omni.py	模型加载、评估模式、Mimi 解码、样例组织。	怎么快速验证各输入输出路径？
scripts/web_demo_omni.py	Gradio demo、音色下拉、图像/音频输入。	怎么做一个简单交互界面？
webui/web_demo.py	Flask/WebSocket、音色克隆、实时 VAD、barge-in。	电话模式如何组织工程状态？
trainer/train.sh	mini/full dense/MoE 训练命令。	推荐训练顺序是什么？

在线资料

MiniMind-O GitHub源项目、README、代码和图片 MiniMind-O Technical Report架构、训练、实验说明 HuggingFace Collection模型、数据、transformers 权重 HuggingFace Datasetmini/full 数据入口 ModelScope Collection国内下载入口 ModelScope Demo在线体验 MiniMind语言模型底座项目 MiniMind-V视觉多模态前序项目

术语表

术语	解释
Thinker	负责多模态理解和文本生成的 MiniMind 主干。
Talker	负责把 Thinker 的语义条件渲染成 Mimi audio codes 的独立模块。
MTP	Multi-Token Prediction，多 token 预测。这里指同时预测多层 codebook。
Mimi codes	Mimi codec 的离散音频表示，8 层 codebook 共同描述音频帧。
Projector	把外部 encoder 的隐藏维度映射到 MiniMind hidden size 的 MLP。
Bridge layer	Thinker 中间层 hidden states，被 Talker 当作语义条件。
VAD	Voice Activity Detection，用来判断用户是否在说话。
Barge-in	用户在模型说话时再次开口，系统中断当前回复并处理新输入。
CER/WER	字符错误率/词错误率，常用于语音输出内容一致性评估。
Speaker embedding	说话人向量，MiniMind-O 默认用 192 维条件控制音色。

常用命令速查

# 安装依赖
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

# 文本/语音/图像全模式评估
python eval_omni.py --load_from model --weight sft_omni --mode -1 --prompt_lang 2

# Gradio WebUI
cp -r minimind-3o ./scripts/minimind-3o
cd scripts && python web_demo_omni.py --port 8888

# mini 训练
cd trainer && bash train.sh

许可与引用

源项目使用 Apache-2.0 许可证。做公开复现、课程或博客时，建议引用 GitHub 仓库和技术报告，并标明模型、数据和权重来源。