音声
FlashLabs-Chroma
Open-source real-time spoken dialogue with personalized voice cloning.
★ 549 スターApache-2.0
ガイドを見る →// audio · kyutai-labs/moshi
Moshi
Moshiは、kyutai-labsが公開しているオープンソースの音声プロジェクトです（GitHub: kyutai-labs/moshi）。GitHubスターは11,363、フォークは1,051で、Apache-2.0ライセンスの下で公開されています。GitHubでの最終更新は2026年9月9日です。
Moshi — Kyutai full-duplex spoken dialogue model: talk and listen at the same time, ~200ms latency, Apache-2.0
★ 11.4k スター⑂ 1.1k フォークApache-2.0更新 2026年9月
▦ ビジュアル — このプロジェクトのREADMEには埋め込み可能なスクリーンショットがないため、
ここではプレースホルダーを表示しています。下のガイド自体は完全な内容です。
ここではプレースホルダーを表示しています。下のガイド自体は完全な内容です。
// プロジェクトの基本情報
プロジェクト基本情報
- リポジトリ
- kyutai-labs/moshi
- GitHubスター
- 11,363
- フォーク
- 1,051
- ライセンス
- Apache-2.0
- GitHubでの最終更新
- 2026年9月9日
- カテゴリ
- 音声
- 掲載タイプ
- 完全なインストールガイド
- 公式サイト
- Model weights
// 仕組み
仕組み
- Install Moshi
Install the PyTorch package from PyPI, or the MLX package on Apple Silicon.
- Start the server
Run the Moshi server, optionally with a Gradio tunnel, pointed at the Moshika weights.
- Talk to it locally or from a client
Run the local MLX client with 4-bit or 8-bit quantisation, or connect the Python client to your server.
// 機能
選ばれる理由
Full-duplex dialogue
Speaking and listening happen simultaneously — interruptions and overlap work the way real conversation does.
Streaming neural audio codec
Mimi streams 24 kHz audio down to a 12.5 Hz representation at 1.1 kbps, with only 80ms of frame latency.
Low practical latency
Around 200ms overall on an L4 GPU — fast enough for natural spoken interaction.
PyTorch and Apple Silicon routes
A PyTorch server path and an MLX local path with quantised weights for Macs.
Advertisement
// 自分で実行
自分で実行してみる
- Install (PyTorch)
The README install route from PyPI.
pip install -U moshi - Run locally on Apple Silicon
The README MLX route with 4-bit quantised weights.
python -m moshi_mlx.local -q 4 - Start the server
The README server route, with the Moshika PyTorch weights.
python -m moshi.server --hf-repo kyutai/moshika-pytorch-bf16
// 活用例
作れるもの
- Building voice assistants that handle interruption and overlap
- Real-time spoken dialogue apps with low latency
- Running a full-duplex voice model locally on Apple Silicon
- Studying streaming speech models and neural audio codecs
Advertisement
// よくある質問
よくある質問
Who makes Moshi?
Kyutai, as a speech-text foundation model and full-duplex dialogue framework.
Is Moshi free?
Yes — Apache-2.0 licensed.
What does full-duplex mean?
The model listens while it speaks, so you can interrupt it and it can overlap — unlike turn-based voice assistants that wait for silence.
How fast is it?
Theoretical latency 160ms, practical overall latency as low as 200ms on an L4 GPU, via the Mimi streaming codec.
How do I get started?
pip install moshi (or moshi_mlx on Apple Silicon), then run the server or the local client.
// さらに探索
似ているツール
音声
talk-to-fengge
Clone anyone's voice and personality for real-time conversation.
★ 469 スターApache-2.0
ガイドを見る →音声
ChatTTS
A generative speech model built for daily dialogue — natural, conversational text-to-speech
★ 39.9k スターAGPL-3.0
ガイドを見る →音声
MOSS-TTS-Nano
MOSS-TTS-Nano: a 0.1B open multilingual speech model that clones voices and streams in real time on CPU
★ 4.5k スターApache-2.0
ガイドを見る →音声
dia
A TTS model capable of generating ultra-realistic dialogue in one pass.
★ 19.4k スターApache-2.0
ガイドを見る →音声
MOSS-TTS
MOSS-TTS family: open text-to-speech models for voice cloning, dialogue, voice design, and real-time agents
★ 4.2k スターApache-2.0
ガイドを見る →// 代替候補
代替候補： 音声
LibreAIカタログに掲載された音声プロジェクトの中で最もスターの多いもの — Moshiが合わなかった場合に検討したい、現実的な候補リストです。
- MoneyPrinterTurbo★ 128.3k
利用 AI 大模型和自动化工作流，根据主题或关键词一键生成高清短视频。Generate HD short videos from a topic or keyword with an automated AI workflow.
- Whisper★ 109.9k
Robust Speech Recognition via Large-Scale Weak Supervision
- GPT-SoVITS★ 62.3k
1 min voice data can also be used to train a good TTS model! (few shot voice cloning)
- Real-Time-Voice-Cloning★ 60.2k
Clone a voice from 5 seconds of audio and generate arbitrary speech in real time
- whisper.cpp★ 54.1k
Port of OpenAI's Whisper model in C/C++
// さらに見る audio
さらに見る： 音声
カタログの中でMoshiとスター数が近い音声プロジェクト — 前後の棚もそのまま見て回れます。
- speechbrain★ 11.9k
A PyTorch-based Speech Toolkit
- xiaozhi-esp32-server★ 10.8k
Self-hosted backend that gives ESP32 'Xiaozhi' devices streaming voice chat, memory and tool control.
- edge-tts★ 12.2k
Use Microsoft Edge's online text-to-speech service from Python WITHOUT needing Microsoft Edge or Windows or an API key
- pyannote-audio★ 10.6k
Neural building blocks for speaker diarization: speech activity detection, speaker change detection, overlapped speech detection, speaker embedding
- PaddleSpeech★ 12.7k
Easy-to-use Speech Toolkit including Self-Supervised Learning model, SOTA/Streaming ASR with punctuation, Streaming TTS with text…
- silero-vad★ 10.3k
Silero VAD: pre-trained enterprise-grade Voice Activity Detector