Moshi AI 对比 Voicemod

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。

Voicemod 在桌面和移动设备上运行实时变声器和音效板，通过虚拟麦克风路由您的麦克风，使 Discord、游戏和流媒体应用能够即时听到修改后的音频。可从 200 多种 AI 语音滤镜中选择，从音效板触发表情包声音，或在 Voicelab 中自定义语音。

大多数变声器感觉像是一次性切换的新奇滤镜。Voicemod 设计用于整个会话中保持角色，具备超低延迟、降噪功能，以及与 Elgato Stream Deck 和 Voicemod Key 等硬件的集成，支持主机聊天。社区库 tuna.voicemod.net 提供无需手动上传的热门语音。

其目标用户为游戏玩家、主播、虚拟主播以及任何希望语音聊天听起来更有意图而非默认的人。网站上列出的合作伙伴包括 Corsair、MSI、NVIDIA 和 AMD，反映了其在游戏和流媒体设置中的深度集成，而非一般生产力工具。