/ Модель

Характеристики

Лицензия
CC BY 4.0
Базовая модель
moshika-candle-bf16
Библиотека
moshi
Опубликована
19 мар 2026

moshika-rag-candle-bf16

Обработка аудиоАудио → аудио3 профессии

Компактная англоязычная полно-дуплексная речевая модель Kyutai для разговоров в реальном времени с асинхронным поиском внешних сведений.

194скачиваний за 30 дней13лайковвеса обновлены17 апр 2026

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

MoshiRAG — разработанная Kyutai компактная полно-дуплексная речевая языковая модель, предназначенная для диалога в реальном времени с асинхронным поиском внешних сведений. В этой версии используются Candle на Rust и точность bf16; репозиторий содержит только речевую фронтальную модель, а не систему поиска целиком.

Модель непрерывно слушает и отвечает, а при необходимости запускает получение справочных текстов в параллельном бэкенде. Во время ожидания она может произносить краткие предварительные ответы, после чего использует найденные сведения для последующих фрагментов ответа. Для формирования контекста бэкенду нужны текст внутреннего монолога модели и транскрипция речи пользователя; для транскрипции требуется отдельная потоковая ASR-модель. Модель рассчитана на английский язык и дообучена на основе kyutai/moshika-candle-bf16. Лицензия — CC-BY 4.0.

К ограничениям относятся сравнительно ограниченные возможности и смещения в сторону тем, чаще представленных в обучающих данных. Качество и безопасность ответов с опорой на источники зависят от выбранного поискового бэкенда; модель обучена использовать один голос. Разработчик не рекомендует применять её для профессиональных консультаций или имитации личности.

Сценарии применения

  • Голосовые ответы на фактические вопросы с поиском справочной информации
  • Разговорный голосовой ассистент с непрерывным прослушиванием и ответом
  • Озвучивание краткого предварительного ответа во время поиска
  • Встраивание найденных источников в последующие фрагменты голосового ответа

Ограничения

Возможности модели пока ограничены, а ответы могут отражать смещения обучающих данных; фактическая обоснованность и безопасность зависят от поискового бэкенда. Модель использует один голос и не рекомендуется для профессиональных консультаций или имитации личности.

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

Model Card for MoshiRAG

MoshiRAG is a compact full-duplex speech language model augmented with asynchronous knowledge retrieval to improve factuality without sacrificing real-time interactivity. Built on top of Moshi, MoshiRAG predicts when a query needs external knowledge, retrieves references within the natural response delay, and grounds answers in stronger knowledge sources.

Model Details

Candle (Rust) version with bf16 precision.

Model Description

MoshiRAG uses a modular front-end/back-end design:

  • Front-end is a full-duplex speech model based on Moshi that handles real-time conversation.
  • Back end is an asynchronous retrieval system running in parallel to fetch factual information when needed.

The front end keeps listening and speaking continuously. When the model predicts a retrieval trigger token, conversation context is sent to the retrieval back end while the dialogue continues. During this period, the model can produce lightweight pre-RAG content (for example, short acknowledgments or coarse responses) so the interaction stays natural.

The back end is text-in/text-out and can be implemented with different retrieval methods (LLM-based retrieval or search-based retrieval, etc). The retrieval back end takes conversation context (derived by combining the text predicted by Moshi inner monologue and the user transcription predicted by a streaming ASR component) as inputs, and then returns the reference text. Once the retrieval is completed, the reference text is encoded and injected back into Moshi as a stream, allowing later response segments to be grounded in external knowledge without interrupting the ongoing conversation.

This repository contains the front-end model only. Please refer to the Github repository for more details about various choices of retrieval back ends.

  • Developed by: Kyutai
  • Model type: Multimodal speech-text foundation model with additional text conditioning
  • Language(s) (NLP): English
  • License: CC-BY 4.0
  • Dependency: MoshiRAG uses frozen components from ARC-Encoder. An additional Streaming ASR model is required to transcribe the user speech so as to provide conversation context to the retrieval back end.

Model Sources

Disclaimers

Out-of-Scope Use

The model is not intended to be used to impersonate other people or any malicious use of any kind. This model is for research only and we do not recommend it for providing advices or to perform any professionnal duty.

Bias, Risks, and Limitations

MoshiRAG has been trained with a few safeguards to try to limit potential toxic usages, however our toxicity analysis shows that it behaves in the middle of existing models with respect to textual generation. It has some bias towards certain domains and topics that are over-represented in the training data. Its capabilities are relatively limited so far and it is trained to produce only one voice to avoid impersonation. Yet, we need the perspective in time to establish the sociotechnical limitations.

Content generated by MoshiRAG may be affected by the retrieval back end. Safety risks and biases are minimized if a properly safeguarded back-end retrieval component is used.

Citation

@misc{chien2026moshirag,
      title={MoshiRAG: Asynchronous Knowledge Retrieval for Full-Duplex Speech Language Models}, 
      author={Chung-Ming Chien and Manu Orsini and Eugene Kharitonov and Neil Zeghidour and Karen Livescu and Alexandre D{\'e}fossez},
      year={2026},
      eprint={2604.12928},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2604.12928}, 
}

Model Card Authors

Chung-Ming Chien

Как запустить

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

GPU в ailist

Универсальный рантайм · moshi

Нельзя запустить

Обработка «аудио → аудио» пока не поддерживается.

Ревизия весов
26c8294

0 моделей