kyutai-labs

Moshi ist ein Sprach-Text-Grundlagenmodell und ein Vollduplex-Sprachdialog-Framework. Es verwendet Mimi, einen hochmodernen, streamenden neuronalen Audiocodec.

Ein TTS, das in Ihre CPU (und Tasche) passt

Speech-To-Text- und Text-To-Speech-Modelle von Kyutai basierend auf dem Delayed-Streams-Modeling-Framework.

Hibiki ist ein Modell für die Streaming-Sprachübersetzung (auch bekannt als Simultandübersetzung). Im Gegensatz zur Offline-Übersetzung, bei der man auf das Ende der Quelläußerung wartet, passt Hibiki seinen Fluss an, um gerade genug Kontext zu sammeln, um eine korrekte Übersetzung in Echtzeit, Block für Block, zu erzeugen.

Lassen Sie Text-LLMs zuhören und sprechen