kyutai-labs

Moshi é um modelo fundamental de fala para texto e um framework de diálogo falado full-duplex. Ele usa Mimi, um codec de áudio neural de streaming de última geração.

Um TTS que cabe na sua CPU (e no seu bolso).

Modelos de Speech-To-Text e Text-To-Speech da Kyutai baseados no framework Delayed Streams Modeling.

Hibiki é um modelo para tradução de fala em streaming (também conhecida como tradução simultânea). Ao contrário da tradução offline — onde se espera o fim da fala de origem para começar a traduzir — o Hibiki adapta seu fluxo para acumular contexto suficiente para produzir uma tradução correta em tempo real, bloco por bloco.

Faça LLMs de texto ouvirem e falarem