/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Базовая модель
moshika-pytorch-bf16
Библиотека
moshi
Опубликована
2 июн 2026

moshika-rl-seamless

Обработка аудиоАудио → аудио3 профессии

Голосовая модель Kyutai на архитектуре Moshi, дообученная для более естественного диалога в реальном времени с паузами, очередностью реплик и реакцией на перебивания.

333скачиваний за 30 дней32лайкавеса обновлены11 июн 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

Kyutai moshika-rl-seamless — модель голосового диалога, дообученная с помощью обучения с подкреплением для улучшения интерактивности в режиме полного дуплекса. Она основана на kyutai/moshika-pytorch-bf16, использует архитектуру Moshi и доступна в формате safetensors. Модель предназначена для обработки устной речи в диалоге: она учится корректнее выдерживать паузы, выбирать момент для ответа, использовать короткие подтверждения и реагировать на перебивания собеседника.

Для постобучения использован корпус Seamless Interaction с двухканальными записями разговоров. По описанию авторов, модель показывает улучшения в обработке очередности реплик и задержке ответа, а также реже начинает говорить поверх пользователя; оценка проводилась на Full-Duplex-Bench. Модель принимает аудио и генерирует аудио, совместима с официальным кодом инференса Moshi.

Kyutai указывает, что модель предназначена для исследований и не рекомендуется для советов или выполнения профессиональных обязанностей. Авторы отмечают, что стиль обучающих разговоров может влиять на безопасность ответов, а заданные вручную награды сложнее масштабировать на новые аспекты интерактивности. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и запрещающая коммерческое применение.

Сценарии применения

  • диалог голосового помощника в реальном времени
  • корректная передача очереди реплик в голосовом разговоре
  • реакция на перебивания пользователя
  • короткие голосовые подтверждения во время речи собеседника
  • исследование интерактивности полно-дуплексных речевых моделей

Ограничения

Модель предназначена для исследований и не рекомендуется для советов или профессиональных задач; авторы также отмечают влияние разговорного стиля обучающих данных на безопасность. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

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

Multi-Faceted Interactivity Alignment in Full-Duplex Speech Models

Overview

This model is a full-duplex spoken dialogue model post-trained with reinforcement learning (RL) to improve interactivity. Starting from Moshi (Défossez et al., 2024) or PersonaPlex (Roy et al., 2026), our post-training targets the four canonical axes of full-duplex interactivity: pause handling, turn-taking, backchanneling, and user interruption, using axis-specific rewards with GRPO and an LLM Judge reward to preserve response quality.

Compared to the base models, the post-trained models reduce cases where the model inappropriately barges in on the user, substantially improve turn-taking response latency, and promote well-timed backchanneling, as evaluated on both Full-Duplex-Bench v1 (static, using pre-recorded audio input) and Full-Duplex-Bench v2 (dynamic, using real-time multi-turn dialogue).

Training Data

We construct RL training data from Seamless Interaction (Agrawal et al., 2025), a 4,000-hour two-party human conversation corpus in which each speaker is recorded on a separate channel. For each of the four interactivity axes, we use voice activity detection to automatically extract up to 2,000 relevant segments from this corpus.

Models

We release two RL-trained models, one for each base model.

Usage

This model uses the Moshi architecture and is compatible with the official Moshi inference code.

pip install moshi
python -m moshi.server --hf-repo kyutai/moshika-rl-seamless

Then open the local web client to start a real-time, full-duplex conversation. See the official Moshi README for further details on installation and usage.

[!NOTE] Throughout our experiments, we prepend 3 seconds of silence to the input audio to allow time for Moshi to produce its conversation-initiating phrase before the user begins speaking.

Bias, Risks, and Limitations

This model is intended for research use only and is not recommended for providing advice or performing any professional duty. It should not be used to impersonate other people or for any malicious purpose.

The rule-based reward design for each axis requires manual engineering and becomes increasingly difficult to scale as the number of axes grows. We have also observed that the conversational style of the training data can affect the model's safety behavior, making the incorporation of safety-aware rewards or constraints into the RL process an important direction for future work.

License

This model is licensed under CC BY-NC 4.0.

Citation

@article{ohashi2026multifaceted,
  title={Multi-Faceted Interactivity Alignment in Full-Duplex Speech Models},
  author={Ohashi, Atsumoto and Zeghidour, Neil and D{\'e}fossez, Alexandre and Kharitonov, Eugene},
  journal={arXiv preprint arXiv:2606.11167},
  year={2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · moshi

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
d0a1df2

0 моделей