Moshi AI vs Async (formerly Podcastle)

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.

Async vous permet d'enregistrer, d'éditer et de republier de l'audio et de la vidéo en discutant avec une IA au lieu de faire glisser des clips sur une timeline. Vous pouvez capturer des podcasts à distance, générer des séquences à partir d'instructions, nettoyer l'audio, ajouter des sous-titres, doubler du contenu et transformer de longs enregistrements en clips sociaux dans un seul flux de travail via un navigateur.

Alors que la plupart des éditeurs répartissent l'enregistrement, la transcription et la création de clips dans des applications distinctes, Async les regroupe derrière une interface de chat appelée Bumblebee. Vous téléchargez des séquences ou commencez à partir d'un modèle, indiquez à Async ce qu'il faut couper ou générer, et il gère le rythme, les légendes et l'exportation. La plateforme propose également plus de 100 modèles génératifs pour la vidéo, l'image, la musique et la voix, incluant Kling, Veo, Sora et GPT Image 2.

Le plan gratuit comprend 10 crédits IA à vie et 1 heure de téléchargements média, suffisant pour tester l'éditeur de chat avant de passer à une formule payante. Les formules payantes ajoutent des pools de crédits mensuels (450 sur Essentials, 1 200 sur Pro, 3 000 sur Teams) qui mesurent la génération vidéo, le doublage et d'autres actions IA. La facturation annuelle permet d'économiser jusqu'à 40 %.

Les podcasteurs, créateurs vidéo, équipes marketing et gestionnaires de réseaux sociaux qui souhaitent enregistrer, éditer et réutiliser en un seul endroit sans apprendre un logiciel NLE traditionnel sont la cible. Une application iOS est disponible, et l'enregistrement à distance prend en charge jusqu'à 10 participants par session.