Tiếp theoHướng dẫn tiếp theo
Chuẩn hóa văn bản cho giọng nói
AI âm thanh
HƯỚNG DẪN AI âm thanh
Bài phát biểu song công hoàn toàn của Moshi
Moshi là AI giọng nói thời gian thực, mã nguồn mở của Kyutai, có khả năng nói và nghe cùng lúc — song công hoàn toàn — thay vì thực hiện theo từng lượt nghiêm ngặt.
Nghe hướng dẫn nàyAI thuật lại · ~2 min
Trên trang nàyĐọc trong 2 phút
Tổng quan
That removes the awkward lag and rigid turn-taking of traditional voice assistants.
Lặn sâu
Moshi, do phòng thí nghiệm Kyutai của Pháp phát hành vào năm 2024, là mô hình nền tảng chuyển giọng nói thành giọng nói được xây dựng để trò chuyện tự nhiên, có độ trễ thấp. Không giống như các trợ lý quy trình xâu chuỗi lời nói thành văn bản, sau đó là mô hình ngôn ngữ, rồi chuyển văn bản thành giọng nói, Moshi xử lý âm thanh một cách trực tiếp và liên tục. Ý tưởng chính của nó là song công hoàn toàn: nó mô hình hóa hai luồng âm thanh cùng lúc — của người dùng và của chính họ — để nó có thể nghe trong khi nói, xử lý các gián đoạn, kênh ngược bằng 'mhm' và chồng chéo một cách tự nhiên giống như con người. Nó đạt độ trễ khoảng 160-200 mili giây, thấp hơn nhiều so với độ trễ trợ lý thông thường. Dưới mui xe, nó ghép nối mô hình ngôn ngữ văn bản và âm thanh tham số 7B (Helium) với Mimi, một codec âm thanh thần kinh nén giọng nói thành các mã thông báo riêng biệt mà mô hình có thể tạo ra. Kyutai công khai trọng lượng và mật mã.
Triển khai trong thế giới thực
Một người bạn đồng hành bằng giọng nói rảnh tay, bạn có thể ngắt giữa câu và trả lời trong vòng dưới 200 mili giây.
Cơ sở nghiên cứu mở để nghiên cứu hội thoại nói song công, theo thời gian thực mà không cần hộp đen độc quyền.
Trợ lý trợ năng có thể trò chuyện trôi chảy với những người dùng cần trao đổi qua lại nhanh chóng và tự nhiên.
Tạo mẫu các bot thoại dịch vụ khách hàng có khả năng gián đoạn, chuyển kênh ngược và phản hồi trong khi người gọi vẫn đang nói.
Tương lai của bài phát biểu song công hoàn toàn Moshi
Mô hình song công hoàn toàn đang trở thành khuôn mẫu cho AI giọng nói tự nhiên, ảnh hưởng đến các hệ thống trong toàn ngành. Mong đợi các phiên bản nhỏ hơn, trên thiết bị, hỗ trợ đa ngôn ngữ, độ trễ thấp hơn và tích hợp vào các đại lý, dịch vụ khách hàng và các công cụ trợ năng. Vì Moshi mở nên các nhà nghiên cứu có thể tự do thăm dò và cải tiến nó. Những thách thức vẫn xoay quanh độ tin cậy thực tế, sự an toàn trong lời nói trùng lặp và sắc thái cảm xúc, nhưng sự chuyển đổi từ lối rẽ cứng nhắc sang cuộc trò chuyện trôi chảy, ngắt quãng có thể là vĩnh viễn.
Đưa nó vào thực tế
Tại sao nó quan trọng
- Truy cập và tiếp cận. Nó cải thiện khả năng tiếp cận thông qua phiên âm, tường thuật và giao diện giọng nói.
- Chi phí và ngân sách. Các nhóm truyền thông có thể gửi âm thanh tinh tế nhanh hơn với ngân sách nhỏ hơn.
- Tốc độ và tỷ lệ. Các hệ thống hướng tới khách hàng có thể xử lý các tương tác bằng giọng nói ở quy mô lớn hơn.
coi chừng
- Rủi ro lạm dụng giọng nói và mạo danh sẽ tăng lên khi thiếu sự đồng ý.
- Độ chính xác có thể giảm đối với các giọng, phương ngữ hoặc môi trường ồn ào.
- Âm thanh tổng hợp có thể bị nhầm lẫn với lời nói đích thực nếu không có nhãn rõ ràng.
Các bước tiếp theo
- Nhận được sự đồng ý rõ ràng để thu âm, sao chép và tái sử dụng giọng nói.
- Kiểm tra chất lượng trên nhiều loa và điều kiện nền khác nhau.
- Xác định khi nào con người phải xem xét hoặc phê duyệt kết quả đầu ra.
- Dán nhãn âm thanh tổng hợp và lưu giữ hồ sơ xuất xứ để đảm bảo trách nhiệm giải trình.
Tiếp tục khám phá
Bản tin miễn phí
Nhận bản tóm tắt AI hàng ngày
Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.
Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.
Tự kiểm tra
Take the Moshi Full-Duplex Speech quiz
Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.
Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp
Câu hỏi thường gặp
What is Moshi Full-Duplex Speech?
Moshi là AI giọng nói thời gian thực, mã nguồn mở của Kyutai, có khả năng nói và nghe cùng lúc — song công hoàn toàn — thay vì thực hiện theo từng lượt nghiêm ngặt. Điều đó loại bỏ độ trễ khó xử và tính năng quay vòng cứng nhắc của trợ lý giọng nói truyền thống.
'Song công hoàn toàn' có nghĩa là gì trong bối cảnh của Moshi?
Full-duplex có nghĩa là mô hình xử lý đồng thời âm thanh đến và đi, do đó, nó có thể nghe trong khi nói và xử lý các gián đoạn một cách tự nhiên.
Tổ chức nào đã phát hành Moshi?
Moshi được phát triển và cung cấp nguồn mở bởi Kyutai, một phòng thí nghiệm nghiên cứu AI của Pháp, vào năm 2024.
Mimi trong hệ thống Moshi là gì?
Mimi là bộ giải mã âm thanh thần kinh nén giọng nói liên tục thành luồng mã thông báo rời rạc có tốc độ bit thấp mà mô hình có thể tạo ra.
Moshi khác với hệ thống trợ lý giọng nói truyền thống như thế nào?
Trợ lý truyền thống chuyển lời nói thành văn bản, mô hình ngôn ngữ và chuyển văn bản thành giọng nói; Moshi là một mô hình chuyển giọng nói thành giọng nói duy nhất xử lý âm thanh một cách liên tục.
Moshi nhắm đến độ trễ đàm thoại gần như thế nào?
Moshi đạt được độ trễ khoảng 160-200 ms, thấp hơn nhiều so với trợ lý giọng nói thông thường, cho phép chồng chéo và gián đoạn một cách tự nhiên.
Tiếp tục học hỏi
Hướng dẫn liên quan
Đã chọn thêm hướng dẫn cho chủ đề này