手握 3.3 亿美金预算的 Kyutai 发布 Moshi：对话式 AI 的又一颠覆性变革者

对话式语音 AI 这块，之前已经有 OpenAI 的 GPT-4o 和 Google 发布的 Project Astra，以及 Hume AI。现在，法国的 Kyutai 最近推出了一个有望颠覆对话式 AI 场景的项目：Moshi。

根据其官方网站的简单介绍，Moshi 是一个实验性的对话人工智能，拥有实时、多模态功能，可实现真正的动态和交互式对话。不过目前对话限制在 5 分钟内，它能够同时思考和说话，随时倾听和交谈，让你和 Moshi 之间的交流最大化，就像和一个真人在交流一样。

它旨在理解和表达情感，提供诸如使用不同口音（包括法语）说话等功能。其突出功能之一是它能够同时处理两个音频流，使其能够同时收听和通话。这种实时交互以文本和音频混合的联合预训练为基础，利用来自 Helium 的合成文本数据，Helium 是 Kyutai 开发的 70 亿参数语言模型。

训练 Moshi 涉及严格的流程，对 10万份高度详细的 Transcript 进行了微调，并带有情感和风格注释。文本转语音引擎支持 70 种不同的情感和风格，由一位名叫 Alice 的持牌配音人才录制的 20 小时音频进行了微调。该模型专为适应性而设计，可以在不到 30 分钟的音频中进行微调。

Moshi 由法国的人工智能研究实验室 Kyutai 打造，并且得到了由法国亿万富翁、Iliad 首席执行官 Xavier Niel 等提供的 3.3 亿美金预算支持。该实验室将专注于开发通用人工智能（AGI），并计划将其所有研究成果开源。

简单来说，Moshi 可以使用其语音进行流畅和富有表现力的对话，而不仅仅是文本；它足够紧凑，可以在