Moshi AI vs TranscribeGo (formerly TranscribeMe)

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.

TranscribeGo convierte notas de voz, enlaces de video y archivos de audio subidos en texto searchable a través de una aplicación web y bots de mensajería. Puedes pegar una URL de YouTube, TikTok o Instagram, subir un archivo MP3 o WAV, o reenviar una nota de voz de WhatsApp al bot TranscribeMe y recibir una transcripción en segundos. El servicio también genera resúmenes, traducciones en más de 90 idiomas, subtítulos SRT y borradores de artículos a partir de grabaciones largas.

La mayoría de las herramientas de transcripción requieren que instales una aplicación separada o subas archivos a un cliente de escritorio. TranscribeGo atiende a los usuarios dentro de WhatsApp y Telegram, donde ya existen las notas de voz, y añade un panel en el navegador para cargas por lotes e historial. Esa distribución centrada en el chat le ayudó a alcanzar 3 millones de usuarios y procesar más de 10 millones de audios, según las estadísticas de la página principal.

Periodistas, estudiantes, creadores de contenido y trabajadores de oficina son las audiencias principales. El nivel gratuito incluye 10 minutos por mes sin tarjeta de crédito, mientras que los planes Starter y Pro de pago elevan el límite mensual a 200 y 1,000 minutos respectivamente.