Moshi AI 对比 Audyo

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。

Audyo 是一款文本转语音编辑器，可以像编辑文档一样轻松地将书面脚本转换为语音音频。您编辑的是文字而非波形，可以在 100 多种不同口音和语言的声音之间切换，并导出用于视频、播客或演示的文件。Markdown 标题、列表和水平分隔线在段落之间添加停顿，无需打开单独的音频时间线。

传统的配音工具需要手动剪辑波形和管理轨道。Audyo 将音频视为文档：快速选择功能让您通过内联切换声音来构建多角色对话，语音覆盖功能逐字修正发音难点，AI 音频助手帮助在编辑器内重写脚本。该工作流程适合先以文本思考、只需干净音频输出的创作者。

播客主持人和视频编辑使用 Audyo 进行配音，无需录音棚。有声书作者在一个项目中混合使用英语、西班牙语、印地语及其他 10 多种支持语言。该网站报告平台上有近 70,000 名创作者，使用场景涵盖视频、播客、有声书和一般配音工作。