Moshi AI 对比 audyo.ai

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 通过文档式编辑器将输入的文本转换为可下载的语音。您可以编写或粘贴脚本，从100多种语言和口音的声音中选择，并导出用于视频、播客、演示及其他项目的音频，无需录音棚录制。

大多数音频工具需要您修剪波形并在台词更改时重新录制。Audyo 以脚本作为唯一真实来源，因此您可以修改文本、更换说话人并重新生成音频，而无需操作时间线。这种以文本为先的工作流程适合将旁白视为草稿而非一次性录制的创作者。

您可以构建多声音对话，在一个项目中混合多种语言，使用音标设置自定义发音，使用 Markdown 格式化脚本，并利用内置助手在生成音频前优化文案。Audyo 支持英语、法语、西班牙语、德语、意大利语、巴西葡萄牙语、日语、韩语、中文、印地语、阿拉伯语、土耳其语和俄语，适用场景包括配音、播客、有声书和视频旁白。