Résumé
Moshi source open-source la, IA baat ci jamono dëgg bu bawoo ci Kyutai, di wax ak déglu benn yoon - full-duplex - ludul jël turn yu tar. Loolu dina dindi lag bu jaxasoo bi ak turn-taking bu dëgër bi assistant vocal yi daan am.
Moshi Full-Duplex Speech mingi toog ci biir audio-IA buy soppi kàddu, music, ak son ngir jokkoo, yombal jëfandikoo gi, ak defar media.
Plongeur bu xóot
Moshi, bi laboratwaaru Kyutai bu français genne ci 2024, xeetu fondasioŋ la buy wax-ci-kaddu, ñu tabax ko ngir waxtaan bu natureel te du yàgg. Moshi wuute na ak assistant pipeline yiy boole wax-ci-tekst, ginaaw ga modelu làkk, ginaaw ga bind-ci-kaddu, Moshi dafay jëfandikoo audio bi ci saasi te baña bàyyi. Xalaat bu mag bi mooy duplex bu mat: dafay modele ñaari stream audio ci benn yoon - jëfandikukat bi ak boppam - suko defee mu mëna déglu bi muy wax, jëflante ak dagg, backchannel ak 'mhm,' ak overlap ci nature ni nit ñi di defee. Dafay yegg ci diggante 160 ba 200 milisegond, di gëna suufeel lag assistant bi ñuy faral di def. Ci suufu kapot bi dafay boole ab modelu làkku bind ak audio bu am paramet 7B (Helium) ak Mimi, ab codec audio neural buy tënk kàddu yi ci ay token yu wuute yu model bi mëna defar. Kyutai dafa bàyyi poid yi ak kode bi ci kanam ñépp.
Gis-gis xarala
Kaf gi Moshi am mooy kodek Mimi bi, mooy soppi audio bu wéy ci bitrate bu woyof ci ay token yu wuute ci 12.5 Hz, boole ci benn token semantik buñ distiye. Royuwaayu lakk bi defay wax luy waaja am ci ay token yu jëfandikukat bi ci ay jamono yu tolloo, kon nak jamono ji du musa taxaw ngir 'déglu.' Xeetu 'Inner Monologue' dafay wax luy waaja am ci bind bi balaa audio bi, gëna baaxal kalite làkk wi ak lëkkaloo li Moshi wax dëgg.
Mastering Moshi Diskur Duplex bu mat sëkk
Moshi source open-source la, IA baat ci jamono dëgg bu bawoo ci Kyutai, di wax ak déglu benn yoon - full-duplex - ludul jël turn yu tar. Loolu dina dindi lag bu jaxasoo bi ak turn-taking bu dëgër bi assistant vocal yi daan am. Moshi Full-Duplex Speech mingi toog ci biir audio-IA buy soppi kàddu, music, ak son ngir jokkoo, yombal jëfandikoo gi, ak defar media. Ngir tabax xam-xam bu xóot, jàppal Moshi Full-Duplex Speech ni xeetu liggéey, du benn man-man: leeral njariñ yi nga bëgg, leeral xalaat yi, ba noppi tàqale li sistem bi mëna def ci anam wu wóor ak li ba leegi soxla àtteb kàngam.
Ci jëf, ekip yu am doole yiy jëfandikoo Moshi Full-Duplex Speech dañuy jàppee kalite, latency, ak nangu ni cër yu am solo ci pexem dugal. Dañuy bind kritër yu leer ngir am ndam, natt leen ci done yu dëggu ak def liggéey, ba noppi ñu baamtu ci anamu ñàkka mëna seetlu, du ci benn yoon benchmark wins. Mooy barab bi xam-xam theorie bi di soppiku nekk kàttan buy yàgg ci produit yi, ci politik yi ak ci liggéey yi.
Dafay gëna yombal jëfandikoo gi jaaraleko ci transkripsioŋ, nettali ak interfaasu baat. Ci jamano jooju, risku jëfandikoo Baat bu baaxul ak niru ak nit dafay gëna yokk sudee nanguwul. Xeetu jëf bi gëna dëgër mooy boole gaawaayu jàngat ak disipline nguur: doxal pilote, jàpp firnde, siiwal dogal yi, ak wéy di yeesal kaaraange gi ci anam wi ñuy doxalee, li jëfandikukat bi di xaar, ak sàrti sàrt yi di jëm kanam.
njeextalu pexe
Dafay gëna yombal jëfandikoo gi jaaraleko ci transkripsioŋ, nettali ak interfaasu baat.
Dafay gëna yombal jëfandikoo gi jaaraleko ci transkripsioŋ, nettali ak interfaasu baat. Ci jëfandikoo yu am kalite bu kawe, loolu dañu koy tekki ci sàrti liggéey yuñ mëna natt, ay peggu boroom, ak ay xew-xewu xoolaat yu bari suko defee ekip yi mëna yokk wóolu seen bopp ci barabu yokk lu jaxasoo.
Ekipu mejaa yi mën nañu yónnee audio bu leer ci anam wu gëna gaaw te seen xaalis gëna néew.
Ekipu mejaa yi mën nañu yónnee audio bu leer ci anam wu gëna gaaw te seen xaalis gëna néew. Ci jëfandikoo yu am kalite bu kawe, loolu dañu koy tekki ci sàrti liggéey yuñ mëna natt, ay peggu boroom, ak ay xew-xewu xoolaat yu bari suko defee ekip yi mëna yokk wóolu seen bopp ci barabu yokk lu jaxasoo.
Sistem yiy jàkkarloo ak kiliyaan bi mën nañu def waxtaan ci anam wu gëna yaatu.
Sistem yiy jàkkarloo ak kiliyaan bi mën nañu def waxtaan ci anam wu gëna yaatu. Ci jëfandikoo yu am kalite bu kawe, loolu dañu koy tekki ci sàrti liggéey yuñ mëna natt, ay peggu boroom, ak ay xew-xewu xoolaat yu bari suko defee ekip yi mëna yokk wóolu seen bopp ci barabu yokk lu jaxasoo.
Doxal ci àdduna dëgg
Baat bu amul loxo mën nga dagg ci diggu frase, ak tontu ci diir bu néew 200 milisegond.
Ubbi gëstub baseline ngir jàngat ci jamono dëgg, waxtaan bu mat sëkk te amul boyet yu ñuul yuñ moomal.
Jàppalekatu yombal jëfandikoo gi di waxtaan bu baax ak jëfandikukat yi soxla dellu ak dellu ci lu gaaw te baax.
Prototyping ay bot yuy wax ci serwiisu kiliyaan yi, yuy backchannel ak di react bi ki koy woo di wax ba leegi.
Modèlu jëfandikoo
Moshi Kaddu Duplex bu mat sëkk ci jëf
Baat bu amul loxo mën nga dagg ci diggu frase, ak tontu ci diir bu néew 200 milisegond.
Ab àndado baat bu amul loxo mën nga dagg ci diggu frase, ak tontu ci lu néew 200 millisecond Ekip yi dañuy faral di am njariñ yu gëna baax suñu leeralee threshold yu baax ci kanam, tëye yoonu escalation nit ngir jafe-jafe yi, ba noppi topp njariñu produit ak njëgu njuumte ci diir bi.
Moshi Kaddu Duplex bu mat sëkk ci jëf
Ubbi gëstub baseline ngir jàngat ci jamono dëgg, waxtaan bu mat sëkk te amul boyet yu ñuul yuñ moomal.
Ubbi gëstub baseline ngir jàngat ci jamono dëgg, waxtaan bu mat sëkk bu amul boyet yu ñuul. Ekip yi dañuy faral di am njariñ yu gëna baax suñu leeralee threshold yu baax ci kanam, tëye yoonu escalation nit ngir jafe-jafe yi, ba noppi topp njariñu produit ak njëgu njuumte ci diir bi.
Moshi Kaddu Duplex bu mat sëkk ci jëf
Jàppalekatu yombal jëfandikoo gi di waxtaan bu baax ak jëfandikukat yi soxla dellu ak dellu ci lu gaaw te baax.
Assistant accessibilité yiy waxtaan bu baax ak jëfandikukat yi soxla gaaw, naturel back-and-forth Teams yi dañuy faral di am njariñ yu gëna baax suñu leeralee threshold yu baax ci kanam, tëye yoonu escalation nit ngir jafe-jafe yi, ba noppi topp njariñu produit ak njëgu njuumte ci diir bu gàtt.
Moshi Kaddu Duplex bu mat sëkk ci jëf
Prototyping ay bot yuy wax ci serwiisu kiliyaan yi, yuy backchannel ak di react bi ki koy woo di wax ba leegi.
Prototyping bots yuy dagg baat kiliyaan-service yuy backchannel ak react ci jamono ji wookat bi di wax ba leegi. Ekip yi dañuy faral di am njariñ yu gëna baax suñu joxee ay threshold yu baax ci kanam, tëye yoonu escalation nit ngir jafe-jafe yi, ba noppi topp njariñu produit ak njëgu njuumte ci diir bi.
Risk yi ak balustrade yi
Jëfandikoo baat ci anam wu jaarul yoon ak niru ak nit dafay gëna yokk sudee nanguwul.
Jaar-jaar mën na wàññeeku ci aksan yi, dialect yi wala barab yu bari xumbaay.
Audio synthetik mën nañu ko jaawale ak wax ju dëggu sudee amul etiket bu leer.
Roadmap ngir samp gi
Wutal ndigal bu leer ngir jàpp baat bi, klone ko ak jëfandikoowaat ko.
Wutal ndigal bu leer ngir jàpp baat bi, klone ko ak jëfandikoowaat ko. Japp jéego bu nekk ni buntu firnde: sudee mattul kritër yi, noppali génne gi, tëj bërëb bi, ba noppi nga yaatal jëfandikoo gi.
Saytu kalite ci kàddukat yu bari ak anam yu bari ci ginaaw.
Saytu kalite ci kàddukat yu bari ak anam yu bari ci ginaaw. Japp jéego bu nekk ni buntu firnde: sudee mattul kritër yi, noppali génne gi, tëj bërëb bi, ba noppi nga yaatal jëfandikoo gi.
Mandargal kañ la nit wara xoolaat wala nangu ay génne.
Mandargal kañ la nit wara xoolaat wala nangu ay génne. Japp jéego bu nekk ni buntu firnde: sudee mattul kritër yi, noppali génne gi, tëj bërëb bi, ba noppi nga yaatal jëfandikoo gi.
Etiketu audio synthetik te nga denc dokimaa ci fimu bawoo ngir mëna lim.
Etiketu audio synthetik te nga denc dokimaa ci fimu bawoo ngir mëna lim. Japp jéego bu nekk ni buntu firnde: sudee mattul kritër yi, noppali génne gi, tëj bërëb bi, ba noppi nga yaatal jëfandikoo gi.