Moshi AI 对比 Aimi.fm

Moshi AI 是来自巴黎开源科学研究实验室 Kyutai 的一种语音原生对话模型。它无需串联语音识别、文本生成和语音合成，而是直接处理音频，实现低延迟的全双工语音对话。

其多流设计为用户、Moshi的语音输出以及内部独白文本流开辟了独立的通道，从而提高一致性。这样的设置使得Moshi可以边听边说，应对重叠、打断和回话，就像真实的对话一样，而非僵硬的轮流发言。

Moshi建立在Helium——一个7B参数的语言模型，以及Kyutai的神经音频编码器Mimi之上。其权重和推理代码支持PyTorch、Rust和MLX，您还可以在浏览器中试用，网址为moshi-chat.kyutai.org。研究人员、语音AI开发者以及任何构建实时语音界面的人都能在这里找到最大的价值。

Aimi.fm 利用授权艺术家音轨构建免版税音乐，而非抓取受版权保护的录音，然后通过 Aimi Sync 引擎为视频配乐。上传视频片段后，Sync 会逐帧分析场景，创作匹配的配乐，支持选择性添加人声、旁白及可下载的音轨。公共主页现已预告即将重新上线，但 Sync 的定价、文档和关于页面显示公司仍在为创作者和开发者提供工具。

与仅生成静态片段的提示词生成器不同，Aimi Sync 将视频视为提示词，并根据场景切换调整时长。音乐来源于由 Aimi Script 和 AMOS 引擎编排的人声录制样本库 Sonic Vault，且每个音轨的使用都会记录在账本中以便支付艺术家报酬。正是这种以样本为先的模式，使 Aimi.fm 拥有超过 60 项专利，并将自身定位为与基于大型唱片目录训练的工具不同。

为制作 Reels、教程和客户作品配乐的视频创作者，在付费套餐中可无限导出，免费方案支持 1 分钟片段。独立音乐人可上传音轨至 Sonic Vault 并通过微量使用获得收益。开发者可申请 Sync API，将具备场景感知且版权清晰的配乐嵌入应用，无需自行处理授权。