Moshi AI vs Altered Studio

Moshi AI est un modèle conversationnel natif à la parole développé par Kyutai, un laboratoire de recherche open-science basé à Paris. Au lieu de chaîner la reconnaissance vocale, la génération de texte et la synthèse vocale, Moshi traite directement l'audio et mène des conversations vocales en duplex intégral avec une latence minimale.

Sa conception multi-flux exécute des canaux séparés pour l'utilisateur, la sortie vocale de Moshi, et un flux de texte Monologue intérieur qui améliore la cohérence. Cette configuration permet à Moshi d'écouter et de parler en même temps, de gérer les chevauchements, les interruptions et la réponse en arrière-plan comme lors d'une vraie conversation, plutôt que des tours de parole rigides.

Moshi est construit sur Helium, un modèle linguistique de 7 milliards de paramètres, et Mimi, le codec audio neuronal de Kyutai. Les poids et le code d'inférence sont disponibles pour PyTorch, Rust, et MLX, et vous pouvez l'essayer dans le navigateur sur moshi-chat.kyutai.org. Les chercheurs, les développeurs d'IA vocale, et toute personne créant des interfaces vocales en temps réel y trouveront le plus de valeur.

Altered Studio transforme des discours enregistrés ou en direct en voix sélectionnées ou personnalisées pour la production médiatique et les appels en temps réel. Son moteur de conversion vocale fonctionne dans le navigateur ou localement sur Windows et Mac, avec une application distincte Real-Time Pro pour les jeux, les centres d'appels et la restauration vocale lors des appels vidéo.

La plupart des changeurs de voix sacrifient la qualité au profit de la latence ou inversement. Altered sépare les fonctions : la transformation pour la production médiatique vise une qualité d'enregistrement sur GPU avec des retouches en post-production, tandis que Real-Time Pro utilise de 1 à 4 cœurs CPU pour des voix à faible latence, la traduction d'accents et le support Euphonia pour la dysphonie et les disfluences.

Les podcasteurs, studios de jeux et équipes de centres d'appels l'utilisent pour doubler des scènes multi-personnages, changer d'accent lors d'appels en direct et nettoyer les dialogues bruyants. La page Studio propose la transcription en plus de 75 langues, la traduction et la synthèse vocale en plus de 70 langues de grands fournisseurs dans un seul éditeur.