Moshi AI vs SpeechGPT

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.

SpeechGPT te permite mantener conversaciones de voz en el navegador usando tu propia clave API de OpenAI. Escribes o grabas mensajes, los envías a través de una interfaz de chat y escuchas respuestas habladas sin instalar software de escritorio.

A diferencia de los servicios TTS alojados que incluyen los costos del modelo en una suscripción, SpeechGPT se ejecuta en el navegador y te cobra solo a través de las cuentas de OpenAI, Azure Speech Services o Amazon Polly que conectes. Esto lo convierte en una opción ligera para desarrolladores y estudiantes de idiomas que ya tienen acceso a la API y desean una interfaz simple de chat por voz.

La interfaz soporta etiquetas de UI en inglés, español y chino, incluye un botón de grabación para entrada de voz y almacena los datos de la sesión localmente en el navegador. Es adecuado para desarrolladores que prueban flujos de chat por voz, estudiantes de idiomas que practican indicaciones habladas y cualquier persona que quiera un cliente de voz ChatGPT minimalista en móvil o escritorio.