Moshi AI vs Async (formerly Podcastle)

Moshi AI é um modelo conversacional nativo de fala da Kyutai, um laboratório de pesquisa em ciência aberta com sede em Paris. Em vez de encadear reconhecimento de fala, geração de texto e síntese de fala, o Moshi processa áudio diretamente e mantém conversas de voz full-duplex com mínima latência.

Seu design multi-stream executa canais separados para o usuário, a saída falada do Moshi e um fluxo de texto de Monólogo Interno que melhora a coerência. Essa configuração permite que o Moshi ouça e fale ao mesmo tempo, lidando com sobreposições, interrupções e respostas de acompanhamento como uma conversa real, ao invés de turnos rígidos de fala.

O Moshi é construído sobre o Helium, um modelo de linguagem de 7B, e o Mimi, o codec de áudio neural da Kyutai. Pesos e código de inferência são disponibilizados para PyTorch, Rust e MLX, e você pode experimentá-lo no navegador em moshi-chat.kyutai.org. Pesquisadores, desenvolvedores de voice AI e qualquer pessoa que esteja construindo interfaces de fala em tempo real encontrarão aqui o máximo de valor.

Async permite que você grave, edite e republicar áudio e vídeo conversando com IA em vez de arrastar clipes em uma linha do tempo. Você pode capturar podcasts remotos, gerar imagens a partir de comandos, limpar áudio, adicionar legendas, dublar conteúdo e transformar gravações longas em clipes para redes sociais dentro de um único fluxo de trabalho no navegador.

Enquanto a maioria dos editores divide gravação, transcrição e criação de clipes em aplicativos separados, Async os reúne em uma interface de chat chamada Bumblebee. Você faz upload do material ou começa a partir de um modelo, diz ao Async o que cortar ou gerar, e ele cuida do ritmo, legendas e exportação. A plataforma também lista mais de 100 modelos generativos para vídeo, imagem, música e voz, incluindo Kling, Veo, Sora e GPT Image 2.

O plano gratuito inclui 10 créditos de IA vitalícios e 1 hora de uploads de mídia, suficiente para testar o editor por chat antes de fazer upgrade. Os planos pagos adicionam pools mensais de créditos (450 no Essentials, 1.200 no Pro, 3.000 no Teams) que medem geração de vídeo, dublagem e outras ações de IA. A cobrança anual oferece até 40% de desconto.

Podcasters, criadores de vídeo, equipes de marketing e gerentes de mídias sociais que desejam gravação, edição e reaproveitamento em um só lugar sem aprender software NLE tradicional são o público-alvo. Um app para iOS está disponível, e a gravação remota suporta até 10 participantes por sessão.