Moshi AI vs voicemy

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.

Voicemy.ai es una plataforma web para clonar voces, entrenar modelos de voz personalizados y componer melodías. Subes o grabas audio, eliges una voz de la biblioteca integrada o de la comunidad, y generates nuevo audio sin grabar desde cero.

El producto se divide en dos flujos de trabajo principales: clonación rápida de voces a partir de audio existente, y sesiones de entrenamiento más largas donde enseñas a un modelo a replicar una voz específica. Una función de texto a voz se anuncia como próximamente disponible en el sitio web de marketing.

Está dirigido a músicos, creadores de contenido y aficionados que desean experimentar con voces sintéticas y compartir resultados con una comunidad activa en Discord. La aplicación web está en app.voicemy.ai, y requiere crear una cuenta para acceder a las funciones principales.