موشی فل ڈوپلیکس تقریر

That removes the awkward lag and rigid turn-taking of traditional voice assistants.

2024 میں فرانسیسی لیب Kyutai کے ذریعہ جاری کردہ Moshi، ایک تقریر سے تقریر فاؤنڈیشن ماڈل ہے جو قدرتی، کم تاخیر والی گفتگو کے لیے بنایا گیا ہے۔ پائپ لائن اسسٹنٹس کے برعکس جو اسپیچ ٹو ٹیکسٹ، پھر لینگویج ماڈل، پھر ٹیکسٹ ٹو اسپیچ، موشی آڈیو کو براہ راست اور مسلسل ہینڈل کرتا ہے۔ اس کا کلیدی خیال مکمل ڈوپلیکس ہے: یہ بیک وقت دو آڈیو اسٹریمز کو ماڈل کرتا ہے — صارف کا اور اس کا اپنا — تاکہ یہ بولتے ہوئے سن سکتا ہے، رکاوٹوں کو سنبھال سکتا ہے، 'mhm' کے ساتھ بیک چینل کر سکتا ہے اور قدرتی طور پر انسانوں کی طرح اوورلیپ کر سکتا ہے۔ یہ 160-200 ملی سیکنڈ کے قریب تاخیر تک پہنچ جاتا ہے، عام اسسٹنٹ وقفہ سے بہت نیچے۔ ہڈ کے نیچے یہ ایک 7B پیرامیٹر ٹیکسٹ اور آڈیو لینگویج ماڈل (ہیلیم) کو ممی کے ساتھ جوڑتا ہے، ایک نیورل آڈیو کوڈیک جو تقریر کو مجرد ٹوکنز میں کمپریس کرتا ہے جو ماڈل تیار کر سکتا ہے۔ Kyutai نے کھلے عام وزن اور کوڈ جاری کیا۔