Moshi AI 对比 SpeechGPT

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。

SpeechGPT 让您使用自己的 OpenAI API 密钥在浏览器中进行语音对话。您可以输入或录制消息，通过聊天界面发送，并听取语音回复，无需安装桌面软件。

与将模型费用捆绑在订阅中的托管 TTS 服务不同，SpeechGPT 在浏览器中运行，仅通过您连接的 OpenAI、Azure Speech Services 或 Amazon Polly 账户计费。这使其成为已有 API 访问权限且需要简单语音聊天前端的开发者和语言学习者的轻量级选择。

该界面支持英语、西班牙语和中文的用户界面标签，包含用于语音输入的录音按钮，并在浏览器中本地存储会话数据。适合测试语音聊天流程的开发者、练习口语提示的语言学习者，以及任何希望在移动或桌面设备上使用简洁 ChatGPT 语音客户端的人。