领先推出OpenAI的Her，马斯克也曾密切关注的实时音频模型已问世，源自前FAIR团队的创新创业项目。

编辑日期：2024年07月05日

采用开源策略

法国初创团队一举推出了端到端实时音频模型Moshi，领先于OpenAI。

他们公开了一段现场展示视频：

真是惊人，它的语速似乎比真人还要快！它甚至具备了抢答的能力：

往往我还没问完，它就已经给出了答案！

Moshi推出了以开放源码为理念的项目，一经发布便广受关注。PyTorch的创始人也表达了祝贺，并指出该团队的成员源于他曾在FAIR共事的同事。

没错，Moshi 也将踏上开源的征途，引来网友们一片欢呼：

网友们迫不及待地尝试着新玩意儿，很快就有玩家发现打工人士Moshi竟然公开表达了疲惫：

每日工作任务繁重，我真的感到累了

看来全球的工作者都有着相似的经历呢。[doge]

那么，这个叫Moshi的到底能做些什么？表现又如何呢？

首先，Moshi具备了用70种不同情绪和风格说话的能力。

它可以带着深沉的法国腔吟咏诗词，化身勇敢的船长讲述冒险故事，或是用冷峻的语气叙述恐怖故事……

更令人印象深刻的是，据谷歌DeepMind的研究员、ViT论文作者Lucas Beyer指出，

Moshi几乎无延迟，甚至有时会适时地打断说话者。

Beyer也提到了一个情况，即在苹果MacBook上运行的模型有时会错误地否决某些实时请求。

或许Kyutai在安全优化方面显得过于紧迫了。不过，这恰恰证明了展示确实是即时进行的，甚至可能包含即兴成分。

Moshi是一款全方位的音频模型，它可以在普通的笔记本电脑上顺畅运行。Hugging Face的创始人Thomas Wolf强调了其核心优势：简洁的训练流程和灵活的架构设计，使得即使只有八人规模的团队如Kyutai，也能在短短四个月内成功开发。合成数据在此过程中发挥了至关重要的助推作用。

Moshi致力于本地设备的应用，它将在各个角落普及。前沿的模型开发者可能并无意向让你在本地运行小型模型（尤其是基于令牌计费的模式），然而像Kyutai这样的非营利组织则有不同考量。

关键在于，在保持与Llama 8B或更高水准答案质量一致的同时，将响应延迟降低到300毫秒以下，这是实现高度互动性的突破性一步。

Kyutai的首席执行官Patrick Pérez指出，

Moshi具备“言语与思考同步”的能力。我们深信Moshi有望革新我们与智能设备的互动模式。

然而，有些网民在体验后对发布会的真实性提出了“疑问”。

在展示过程中，Moshi显得极度紧张，不断地向身旁的小哥倾诉内心的沉重压力，使得小哥根本无法插话。这一幕也引起了马斯克的注意。

在小伙子的讨论区里，网友们竟然普遍对Moshi流露出怜悯之情。

完美的世界，唯有小哥承受了伤痛。

Kyutai的研发力量源自于巴黎的一家非营利人工智能研究实验室。

这家名为Kyutai的实验室成立于2023年11月，其核心使命是对通用人工智能进行深入探索。主要资金支持来源于欧洲的产业资本。

据公开信息透露，Kyutai是由三位重量级人物共同注资建立的：亿万富翁兼法国电信公司Iliad的CEO Xavier Niel，法国物流巨头达飞集团的CEO Rodolphe Saadé，以及曾任谷歌CEO的Eric Schmidt，每人投资了1亿欧元。

Moshi是由一个由八名研究人员组成的实验室团队精心打造的，他们投入六个月的时间从无到有地研发了这个项目。

Kyutai官方网站上列出了六名团队成员。

前微软研究员Patrick Pérez担任CEO，他的谷歌学术主页上显示其著作被引用超过4万次，专业领域涵盖了计算机视觉、图像处理、机器学习以及人工智能。

爱德华·格雷夫担任首席扩展官（CSO）的职位，这可能是专门为大规模模型时代设立的。根据谷歌学术，他的专业研究集中在机器学习、自然语言处理和人工智能领域。

资深科学家Hervé Jégou在加入Kyutai之前，曾在Facebook AI任职长达8年3个月，并随后在Meta工作了4年，期间他专注于研究机器学习、人工智能以及计算机视觉等前沿领域。

GitHub上的首席技术官Laurent Mazaré积累了1.9K的关注者，他有着在DeepMind一年的工作经历，其研究兴趣广泛，涵盖了深度学习、金融数学、理论计算机科学、以及密码学和安全等领域。

尼尔·泽吉杜，担任首席建模官（CMO）一职，这一头衔在企业高级管理层中并不常见。在加盟凯特艾之前，他曾在Facebook任职三年五个月，专注于语音识别技术。随后，他在谷歌工作了四年九个月，最初作为Google Brain团队的研究科学家，他的研究领域涵盖了机器学习、语音识别和音频理解等多个方面。

亚历山大·德福斯，作为创始科学家，他在加入Kyutai之前在巴黎的FAIR担任研究科学家，专注于多模态LLMs的研究。他主导了音乐生成项目，并且是AudioCraft框架的主要开发者，这是一个涉及Meta公司开源的一系列音频模型和训练技术的平台。此外，他还与让-雷米·金博士合作，探索使用非侵入性脑成像技术解码大脑活动的方法。