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.
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.
Hiểu biết kỹ thuật
Bí quyết của Moshi là codec Mimi, biến âm thanh liên tục thành luồng mã thông báo rời rạc có tốc độ bit thấp ở tần số 12,5 Hz, bao gồm cả mã thông báo ngữ nghĩa được chắt lọc. Mô hình ngôn ngữ dự đoán mã thông báo lời nói của chính nó và các luồng song song theo thời gian của người dùng, do đó, việc tạo ngôn ngữ không bao giờ phải dừng lại để 'lắng nghe'. Phương pháp 'Độc thoại nội tâm' dự đoán văn bản trước âm thanh, cải thiện chất lượng ngôn ngữ và tính mạch lạc của những gì Moshi thực sự nói.
Tác động chiến lược
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.
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.
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.
Rủi ro & lan can
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.
Lộ trình thực hiện
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
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Moshi Full-Duplex Speech quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Hướng dẫn tiếp theo
Chuẩn hóa văn bản cho giọng nói
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.