moshi

Moshi 是一个面向实时对话的语音-文本基础模型与全双工语音交互框架。它采用 Mimi 流式神经音频编解码器，支持双向语音流建模（用户语音与系统语音同步处理），并联合预测文本输出与内部思维（inner monologue）以提升生成质量；架构包含 Depth Transformer 与 7B 参数 Temporal Transformer，端到端延迟低至 200ms。适用于实时语音助手、智能客服、多轮语音对话系统等对低延迟和自然交互要求高的场景。