kyutai-labs

Moshi es un modelo base de voz a texto y un marco de diálogo hablado en dúplex completo. Utiliza Mimi, un códec de audio neural de última generación para transmisión continua.

Un TTS que cabe en tu CPU (y en tu bolsillo)

Modelos de conversión de voz a texto y de texto a voz de Kyutai basados en el framework Delayed Streams Modeling.

Hibiki es un modelo para la traducción de voz en streaming (también conocida como traducción simultánea). A diferencia de la traducción offline, donde se espera al final de la locución original para empezar a traducir, Hibiki adapta su flujo para acumular solo el contexto necesario y producir una traducción correcta en tiempo real, fragmento a fragmento.

Permite que los LLM de texto escuchen y hablen