最后更新 06-30-2026
Reviews:
Join thousands of AI enthusiasts in the World of AI!
Moshi 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。
直接处理语音，无需中间文本管道
支持重叠和中断，能同时听和说
内心独白文本流提升语音质量和推理能力
通过Mimi编解码器在L4 GPU或M3 MacBook Pro上实时运行
在Hugging Face上开放权重，支持PyTorch、Rust和MLX推理代码
首个开源全双工语音对语音模型，公开了权重和代码
由于采用12.5 Hz的Mimi编解码器，实际低延迟约为200毫秒
处理自然对话动态，如打断和回应声
可在包括M3 MacBook Pro和Nvidia L4 GPU的消费级硬件上本地运行
浏览器演示版将每次会话限制为五分钟
实验性质意味着回复可能不可靠或无意义
无托管云API；自托管需要具备高性能GPU硬件
Moshi AI 是免费使用的吗？
是的。Moshi AI 是开源的，模型权重和推理代码已发布在 GitHub 和 Hugging Face 上。在线演示网站 moshi-chat.kyutai.org 免费试用，每次会话限制五分钟。
是谁开发了 Moshi AI？
Moshi AI 由总部位于巴黎的非盈利开放科学 AI 研究实验室 Kyutai 开发。Kyutai 的资金来自 Iliad Group、CMA CGM Group 和 Schmidt Sciences。
Moshi AI 与典型的语音助手有什么不同？
大多数语音助手采用基于回合的流程，先将语音转换为文本，生成回复，然后合成音频。Moshi AI 是语音原生的：它直接生成音频标记，并支持全双工对话，允许双方同时讲话。
我可以本地运行 Moshi AI 吗？
可以。Kyutai 发布了 Moshi 的模型权重及 PyTorch、Rust 和 MLX 的流式推理代码。发布博客指出，在 Nvidia L4 GPU 或 M3 MacBook Pro 上实现了实时性能。
Moshi AI 支持图像吗？
MoshiVis 扩展了 Moshi，可以实时讨论图像，同时保持相同的低延迟对话流程。单独的演示可在 vis.moshi.chat 访问，权重和代码在 GitHub 上提供。
moshi-chat.kyutai.org 上的演示有哪些限制？
Moshi AI 浏览器演示仍处于实验阶段，每次对话限制为五分钟。Kyutai 提示 Chrome 浏览器提供最佳体验，用户应谨慎对待生成的回复。