Kyutai · seit September 2024 (technischer Bericht, arXiv 17.09.2024; Demo-Launch 3. Juli 2024) · 2× · zuletzt 27. Okt. 2026
25
Momentum
Moshi ist ein Sprach-Text-Foundation-Modell und Full-Duplex-Dialogsystem von Kyutai, einem gemeinnützigen Forschungslabor in Paris. Es verarbeitet Sprache direkt (Speech-to-Speech) und modelliert eigene und Nutzer-Audiostreams parallel. Laut Modellkarte unterstützt es Englisch, Die Gewichte stehen unter CC-BY 4.0, der Code unter MIT bzw. Apache-2.0.
Momentum-Verlauf
30.07.28.10.
Features
| Echtzeit-Streaming | Ja: Full-Duplex, Sprache rein und raus gleichzeitig |
| Latenz | Theoretisch 160 ms, in der Praxis ca. 200 ms |
| Lizenz | Gewichte CC-BY 4.0; Code MIT (Python) / Apache-2.0 (Rust) |
| Plattform | Python (PyTorch, MLX), Rust (Candle); lokal lauffähig, GPU mit ca. 24 GB für PyTorch |
| Preis | Kostenlos (Open Weights, Self-Hosting; Kosten nur für Hardware) |
| Release-Datum | Juli 2024 Demo; September 2024 Modell/Paper (v0.1) |
| Sprachen | Englisch (laut Modellkarte) |