Moshi AI 对比 Altered Studio

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。

Altered Studio 将录制或实时语音转换为为媒体制作和实时通话定制的声音。其语音对语音引擎可在浏览器中运行，也可在 Windows 和 Mac 本地运行，另有专门的 Real-Time Pro 应用程序用于游戏、呼叫中心和视频通话中的语音恢复。

大多数变声器在质量和延迟之间权衡。Altered 将技术栈分开：媒体制作变声针对 GPU 上的录音质量进行处理，并支持后期编辑优化；而 Real-Time Pro 使用 1 到 4 个 CPU 核心实现低延迟音色、口音转换及支持失声症和语音障碍的 Euphonia 功能。

播客主持人、游戏工作室和呼叫中心团队使用它来配音多角色场景、实时通话中切换口音以及清理嘈杂对话。Studio 页面提供 75 多种语言的转录、翻译及来自主要供应商的 70 多种语言的文本转语音配音，全部集成在一个编辑器中。