Moshi AI 对比 TranscriptMate

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。

TranscriptMate 将音频和视频录音转换成可搜索的文本，适用于播客作者、新闻记者、研究人员及每天处理口语内容的团队。上传文件或粘贴 YouTube 链接，服务即可返回带有时间戳和可选说话人标签的转录稿。每个文件前15分钟免费，无需注册账户。

工作区将同步文本编辑器与音频播放器配对，方便你点击任何单词，立即跳转到录音中的相应时刻。说话人区域划分（diarization）标注了是谁说了什么，重命名说话人会更新整个转录稿中的标签。焦点小组讨论和多参与者访谈也采用相同方式处理。

TranscriptMate 还能通过内置模板生成即刻发布的内容，包括博客文章、新闻简报、播客说明、视频章节、摘要和社交短片。支持的导出格式包括 DOCX、PDF、TXT、SRT 和 VTT。

该服务支持30多种语言，在符合GDPR规定的欧盟基础设施上运行，专为处理大量采访、新闻发布会、讲座和客户录音的专业人士设计。”}# 3}]/}