kyutai-labs

Moshi adalah model fondasi ucapan-ke-teks dan kerangka kerja dialog lisan full-duplex. Ini menggunakan Mimi, codec audio saraf streaming yang canggih.

TTS yang muat di CPU (dan saku) Anda

Model Speech-To-Text dan Text-To-Speech dari Kyutai yang didasarkan pada kerangka kerja Delayed Streams Modeling.

Hibiki adalah model untuk terjemahan ucapan streaming (juga dikenal sebagai terjemahan simultan). Tidak seperti terjemahan offline—di mana seseorang menunggu akhir ucapan sumber untuk mulai menerjemahkan—Hibiki menyesuaikan alurnya untuk mengumpulkan konteks yang cukup guna menghasilkan terjemahan yang benar secara real-time, bagian demi bagian.

Membuat LLM teks bisa mendengar dan berbicara