Moshi AI vs Async (formerly Podcastle)

Moshi AI es un modelo conversacional nativo de la voz de Kyutai, un laboratorio de investigación de ciencia abierta con sede en París. En lugar de encadenar reconocimiento de voz, generación de texto y conversión de texto a voz, Moshi procesa el audio directamente y mantiene conversaciones de voz de doble sentido con una latencia mínima.

Su diseño de múltiples flujos ejecuta canales separados para el usuario, la salida hablada de Moshi y un flujo de texto de Monólogo Interno que mejora la coherencia. Esa configuración permite que Moshi escuche y hable al mismo tiempo, maneje solapamientos, interrupciones y respuestas de apoyo como en una conversación real en lugar de turnos rígidos de hablantes.

Moshi está construido sobre Helium, un modelo de lenguaje de 7 mil millones de parámetros, y Mimi, el códec de audio neural de Kyutai. Se distribuyen pesos y código de inferencia para PyTorch, Rust y MLX, y puedes probarlo en el navegador en moshi-chat.kyutai.org. Investigadores, desarrolladores de IA de voz y cualquier persona que cree interfaces habladas en tiempo real encontrarán aquí un gran valor.

Async te permite grabar, editar y republicar audio y video chateando con IA en lugar de arrastrar clips en una línea de tiempo. Puedes capturar podcasts remotos, generar material a partir de indicaciones, limpiar audio, añadir subtítulos, doblar contenido y convertir grabaciones largas en clips para redes sociales dentro de un solo flujo de trabajo en el navegador.

Mientras que la mayoría de los editores dividen la grabación, transcripción y creación de clips en aplicaciones separadas, Async las agrupa detrás de una interfaz de chat llamada Bumblebee. Subes material o comienzas desde una plantilla, le dices a Async qué cortar o generar, y se encarga del ritmo, los subtítulos y la exportación. La plataforma también lista más de 100 modelos generativos para video, imagen, música y voz, incluyendo Kling, Veo, Sora y GPT Image 2.

El plan gratuito incluye 10 créditos de IA de por vida y 1 hora de carga de medios, suficiente para probar el editor de chat antes de actualizar. Los niveles de pago añaden grupos mensuales de créditos (450 en Essentials, 1,200 en Pro, 3,000 en Teams) que miden la generación de video, doblaje y otras acciones de IA. La facturación anual ahorra hasta un 40%.

Podcasters, creadores de video, equipos de marketing y gestores de redes sociales que desean grabación, edición y reutilización en un solo lugar sin aprender software NLE tradicional son el público objetivo. Hay una app para iOS disponible y la grabación remota soporta hasta 10 participantes por sesión.