kyutai-labs

Moshi là một mô hình nền tảng ngôn ngữ-giọng nói và khung hội thoại bằng giọng nói song công toàn phần. Nó sử dụng Mimi, một codec âm thanh thần kinh trực tuyến tiên tiến.

Một công cụ TTS chạy gọn nhẹ trên CPU (và vừa vặn trong túi áo)

Các mô hình Chuyển giọng nói thành văn bản và Chuyển văn bản thành giọng nói của Kyutai dựa trên framework Mô hình hóa Dòng trễ.

Hibiki là một mô hình dịch giọng nói trực tuyến (còn gọi là dịch đồng thời). Khác với dịch ngoại tuyến — nơi người dùng phải đợi hết câu nguồn mới bắt đầu dịch — Hibiki tự động điều chỉnh luồng để tích lũy đủ ngữ cảnh nhằm tạo ra bản dịch chính xác theo thời gian thực, từng đoạn một.

Làm cho các LLM văn bản có thể nghe và nói.