/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
moshika-pytorch-bf16
Опубликована
16 мар 2025

Muchi

Обработка аудиоАудио → аудио3 профессии

Muchi — дообученная на базе Moshi модель для низколатентного голосового диалога с потоковой генерацией речи и текста.

8скачиваний за 30 дней27лайковвеса обновлены16 мар 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Muchi — дообученная модель голосового диалога и фреймворк для двустороннего общения в реальном времени, созданные на основе Moshi. Она принимает речь и генерирует речь, параллельно предсказывая текстовые токены, выровненные по времени с аудио. В README указана практическая задержка около 200 мс и поддержка потокового распознавания речи; модель рассчитана на плавный диалог без жёсткой смены очереди говорящих.

Модель предназначена для непринуждённых бесед, простых ответов и советов, ролевых сценариев и интерактивных задач с низкой задержкой. В основе лежат речевые токены нейронного аудиокодека и параллельные потоки речи пользователя и модели. Заявленный язык — английский. Репозиторий содержит веса safetensors в формате bf16 и лицензирован по Apache 2.0.

Muchi наследует ограничения Moshi: возможны смещения, обусловленные обучающими данными; модель не предназначена для имитации конкретных людей и не подходит для профессиональных консультаций или критически важных решений. Качество и безопасность в длительных сценариях требуют дополнительной оценки.

Сценарии применения

  • голосовой чат с низкой задержкой
  • непринуждённые разговоры с голосовым ассистентом
  • простые устные ответы на вопросы
  • голосовые ролевые сценарии
  • потоковое распознавание речи во время диалога
  • генерация синтезированной речи в реальном времени

Ограничения

Возможны смещения, унаследованные от обучающих данных Moshi. Модель не предназначена для имитации конкретных людей, профессиональных консультаций или критически важных решений.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Muchi is a finetuned speech-text foundation model and full-duplex spoken dialogue framework, based on the original Moshi model.

How to use:

You can use the original moshi ui to try out this model, just start the server pointed to this model

https://github.com/kyutai-labs/moshi

python -m moshi.server [--gradio-tunnel] [--hf-repo DavidBrowne17/Muchi]

Model Details

Pytorch version: Quantized in bf16 precision.

Model type: Multimodal speech-text foundation model

Language(s) (NLP): English

License: apache 2.0

Model Description

Muchi is a refined version of the Moshi model, designed for smoother, more adaptable dialogue generation. Building upon Moshi’s speech-to-speech generation foundation, Muchi enhances conversational coherence and reduces latency. Like Moshi, it uses a residual quantizer from a neural audio codec to generate speech tokens and models its own and user speech into parallel streams. This framework supports dynamic conversational flow without rigid speaker turns.

Muchi also implements the "Inner Monologue" method, predicting time-aligned text tokens before generating speech tokens. This approach enhances linguistic quality, supports streaming speech recognition, and improves text-to-speech output. Muchi achieves a practical latency of approximately 200ms, ensuring near real-time interaction.

Key Enhancements in Muchi:

Reduced latency and smoother conversational flow.

Enhanced adaptability in dialogue dynamics.

Improved speech synthesis quality.

Uses

Direct Use

Muchi can be deployed as a conversational agent for:

Casual conversation.

Basic factual responses and advice.

Roleplay scenarios.

Low-latency interactive tasks.

Downstream Use

Components like the audio codec can be repurposed for training speech models or enhancing text-to-speech systems.

The finetuned architecture allows for domain-specific adaptations with additional training.

Out-of-Scope Use

Muchi is not intended for:

Impersonating individuals.

Malicious applications.

Professional advice or critical decision-making.

Bias, Risks, and Limitations

Muchi inherits safeguards from Moshi but may still exhibit biases due to the nature of its training data. While toxicity has been minimized, there are risks of over-representation from certain data domains. The model is trained to produce a consistent voice and is not designed for impersonation. Further testing is necessary to evaluate long-term sociotechnical impacts.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Обработка «аудио → аудио» пока не поддерживается.

Ревизия весов
c6f1bdc

0 моделей