Moshi AI vs Serp AI

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.

Serp AI é um assistente de voz e áudio que você executa na sua própria máquina. O seu projeto open-source SERPy escuta comandos falados e responde através de um grande modelo de linguagem, com uma voz sintética que você mesmo escolhe.

Comparado com assistentes em nuvem vinculados a uma pilha de um único fornecedor, o SERPy é um projeto do GitHub auto-hospedado da organização serp-ai com memória conversacional que se adapta aos seus hábitos ao longo do tempo. A página de marketing original em serp.ai/tools/ai-voice-assistant agora retorna 404, portanto o repositório é a casa ativa para instalações e documentação.

O SERPy visa desenvolvedores e entusiastas que desejam um assistente de desktop estilo Jarvis que possam modificar. O README aponta para um link de download gratuito e vídeos de demonstração, e as tags do repositório cobrem casos de uso de ativação por voz, agendamento, e-mail e assistente de escrita.