Kyutai (Moshi)

Kyutai 是位於巴黎的非營利 AI 研究實驗室，資金來自 Iliad 集團（法國電信商 Free 的母公司）、海運集團 CMA CGM 與 Schmidt Sciences，使命是「透過開放科學打造並普及通用人工智慧」。它最出名的成果是 Moshi：官網說這是第一個「語音原生」的對話系統，直接處理聲音而不是先轉成文字再轉回來，所以延遲極低，也能聽出情緒等非語言訊息。

從 Moshi 的多串流架構，Kyutai 又延伸出幾個專案。Hibiki-Zero 是即時的語音對語音翻譯模型；Unmute 則把它的低延遲串流語音辨識與語音合成包起來，讓任何文字型 LLM 都能「聽」和「說」。最近開源的 Pocket TTS 只有 1 億參數，在 CPU 上就能比即時還快，已支援六種語言，2026 年 8 月連訓練程式碼都公開了。其他還有把音樂轉成多樂器 MIDI 的 MuScriptor、結合視覺的 MoshiVis、與 Epic Games 合作用 1 萬小時 Rocket League 對局訓練的即時多人世界模型 MIRA，以及 20 億參數的多語 LLM Helium 1。它也和法國團體 Les Invincibles 合作推出開源的 Invincible Voice，幫漸凍症患者重新「說話」。第一家衍生公司 Gradium 負責把這些語音研究做成商用系統。

功能特色與適用場景：一般使用者可以直接在官網試 Moshi、Unmute、MIRA 的線上 Demo，感受全雙工語音對話（可以隨時插話）跟傳統語音助理的差別。開發者則可以到 GitHub 與 Hugging Face 下載模型。對台灣團隊最有用的是 Pocket TTS 與 Unmute：想替自家 LLM 加上語音介面、又不想付雲端語音 API 費用的話，這是很好的起點。要注意的是，官網沒有說 Pocket TTS 的六種語言是否包含中文，Moshi 的對話也以英文、法文為主；中文場景請先實測。