개요
이는 기존 음성 비서의 어색한 지연과 엄격한 방향 전환을 제거합니다.
심층 분석
2024년 프랑스 연구실 Kyutai에서 출시한 Moshi는 자연스럽고 지연 시간이 짧은 대화를 위해 구축된 음성 대 음성 기반 모델입니다. 음성을 텍스트로 연결한 다음 언어 모델, 텍스트를 음성으로 연결하는 파이프라인 도우미와 달리 Moshi는 오디오를 직접적이고 지속적으로 처리합니다. 핵심 아이디어는 전이중입니다. 두 개의 오디오 스트림(사용자와 자신의 오디오)을 동시에 모델링하므로 말하는 동안 듣고, 방해를 처리하고, 'mhm'으로 백채널을 사용하고, 사람처럼 자연스럽게 중첩할 수 있습니다. 일반적인 보조 지연보다 훨씬 낮은 160~200밀리초 정도의 지연 시간에 도달합니다. 내부적으로는 7B 매개변수 텍스트 및 오디오 언어 모델(Helium)과 음성을 모델이 생성할 수 있는 개별 토큰으로 압축하는 신경 오디오 코덱인 Mimi와 쌍을 이룹니다. 큐타이는 가중치와 코드를 공개적으로 공개했습니다.
실제 구현
핸즈프리 음성 동반자를 사용하면 문장 중간에 중단할 수 있으며 200밀리초 이내에 응답할 수 있습니다.
독점 블랙박스 없이 실시간, 전이중 음성 대화를 연구하기 위한 개방형 연구 기준선입니다.
빠르고 자연스러운 대화가 필요한 사용자와 원활하게 대화하는 접근성 도우미입니다.
발신자가 계속 말하고 있는 동안 백채널로 반응하고 중단 가능한 고객 서비스 음성 봇의 프로토타입을 제작합니다.
Moshi 전이중 음성의 미래
전이중 모델링은 업계 전반의 시스템에 영향을 미치는 자연스러운 음성 AI의 템플릿이 되고 있습니다. 더 작은 온디바이스 버전, 다국어 지원, 낮은 대기 시간, 상담원, 고객 서비스 및 접근성 도구와의 통합을 기대하세요. 모시는 공개되어 있기 때문에 연구자들이 자유롭게 탐색하고 개선할 수 있습니다. 사실적 신뢰성, 중복되는 발언의 안전성, 감정적 뉘앙스와 관련된 문제는 여전히 남아 있지만, 경직된 방향 전환에서 유동적이고 중단 가능한 대화로의 전환은 영구적일 가능성이 높습니다.
실천에 옮기기
왜 중요한가요?
- 접근 및 도달. 전사, 내레이션, 음성 인터페이스를 통해 접근성을 향상시킵니다.
- 비용 및 예산. 미디어 팀은 더 적은 예산으로 세련된 오디오를 더 빠르게 출시할 수 있습니다.
- 속도와 규모. 고객 대면 시스템은 음성 상호 작용을 더 큰 규모로 처리할 수 있습니다.
조심하세요
- 동의가 없으면 음성 오용 및 명의 도용 위험이 높아집니다.
- 악센트, 방언 또는 시끄러운 환경에서는 정확도가 떨어질 수 있습니다.
- 합성 오디오는 명확한 라벨링이 없으면 실제 음성으로 오인될 수 있습니다.
다음 단계
- 음성 캡처, 복제 및 재사용에 대한 명시적인 동의를 얻습니다.
- 다양한 화자와 배경 조건에서 품질을 테스트합니다.
- 사람이 출력을 검토하거나 승인해야 하는 시기를 정의합니다.
- 합성 오디오에 라벨을 붙이고 책임을 묻기 위해 출처 기록을 보관하세요.
계속 탐색하세요
무료 뉴스레터
일일 AI 브리핑 받기
매주 평일 아침마다 3개의 검증된 AI 스토리를 일반 영어로 작성합니다. 무료이며, 광고 없음.
매주 평일마다 한 번 이메일을 받습니다. 한 번 클릭으로 구독 해지. 주소를 판매하거나 공유하지 않습니다.
자신을 테스트해 보세요
Take the Moshi Full-Duplex Speech quiz
모든 답변에 즉각적인 피드백과, 과정을 통과하면 검증 가능한 ID가 있는 공유 가능한 인증서를 제공합니다.
무료 AI 교육을 지원합니다. AI Understanding는 501(c)(3) 비영리 단체입니다 — 광고 없음, 유료 장벽 없음, 영원히. 기부하기
자주 묻는 질문
Moshi 전이중 음성이란 무엇입니까?
Moshi는 엄격한 순서를 따르는 대신 전이중 방식으로 동시에 말하고 듣는 Kyutai의 오픈 소스 실시간 음성 AI입니다. 이는 기존 음성 비서의 어색한 지연과 엄격한 방향 전환을 제거합니다.
Moshi의 맥락에서 '전이중'은 무엇을 의미합니까?
전이중이란 모델이 들어오고 나가는 오디오를 동시에 처리하므로 말하는 동안 듣고 중단을 자연스럽게 처리할 수 있음을 의미합니다.
Moshi를 출시한 조직은 어디입니까?
Moshi는 2024년 프랑스 AI 연구소인 Kyutai에서 개발 및 오픈소스화되었습니다.
Moshi 시스템에서 Mimi는 무엇인가요?
Mimi는 연속 음성을 모델이 생성할 수 있는 개별 토큰의 낮은 비트 전송률 스트림으로 압축하는 신경 오디오 코덱입니다.
Moshi는 기존 음성 지원 파이프라인과 어떻게 다릅니까?
전통적인 보조자는 음성-텍스트, 언어 모델 및 텍스트-음성을 연결합니다. Moshi는 오디오를 지속적으로 처리하는 단일 음성-음성 모델입니다.
Moshi가 목표로 하는 대화 지연 시간은 대략 어느 정도입니까?
Moshi는 일반적인 음성 어시스턴트보다 훨씬 낮은 약 160-200ms의 대기 시간을 달성하여 자연스러운 중첩과 중단을 가능하게 합니다.