【新智元导读】GPT-4o或许还得等到今年秋季才对外开放。不过，由法国8人团队打造的原生多模态Moshi，已经实现了接近GPT-4o的水平，现场演示几乎0延迟，AI大佬纷纷转发。
昨夜，来自法国AI实验室kyutai放出首个实时原生多模态Moshi，效果演示堪比5月发布的GPT-4o。比如下面这个demo中，Moshi作为助手帮助Alexa小哥踏上太空之旅，让人一秒幻视流浪地球中的Moss。值得一提的是，这是8人团队仅用了半年的时间，从头完成了模型的训练。
Moshi还处在实验原型阶段，设计初衷是为了理解和表达情感，能够支持听、说、看，可以用70种不同情绪和风格说话，甚至随时打断。它最为突出的一个能力是，能够同时处理两个音频流，即「听」和「说」是同时进行的。这种实时互动的实现，是基于文本和音频混合的联合预训练，用Helium中合成的文本数据，训出的70亿参数的模型。而且，最小版本的Moshi还可以在笔记本电脑，或者消费级GPU上可跑。许多人都说这是最接近GPT-4o的模型，Moshi各种炸裂演得到了LeCun、Karpathy等AI大佬的转发。Pytorch之父称赞道，太令人惊叹了，Kyutai实验室在实时语音助手领域处于领先地位，作为真正的非营利性开放科学组织，它将在稍后发布代码。而现在，想要体验的小伙伴们，现在可以直接加入候补名单体验了，每次对话限时5分钟。
传送门：https://moshi.chat/?queue_id=talktomoshi
在昨晚的直播演示中，台下虚无坐席。所有观众都在耐心等待，这家成立仅半年时间的实验室将会带来怎样的惊喜。CEO Patrick Pérez开场介绍，Moshi是他们团队推出的首个实时语音AI，而且用了大约1000个GPU完成训练。Moshi这一名字来源，便是日语中接电话一词「もしもし」。接下来，Patrick邀请了四位同事，一同上台来向大家展示Moshi的强大语音能力。Moshi和所有人初次见面，当然少不了一波自我介绍，并且回答了提问者关于什么是开源、开源好处的意义。接下来，另一个同事接场，和Moshi换一个话题——聊一聊爬珠穆朗玛峰。Moshi在对话过程中，为其建议了登山装备、提前做哪些准备、海拔信息等等。不过，在第二个演示的过程中，Moshi太过急于抢话，说话者还未说完，它就切断了说话的内容。
前面的演示中，我们主要看到的是，与Moshi互动关于实时事实性信息、对话等能力。
第三个demo中，主要去展示Moshi表达和理解情绪的能力。因此，同事Nell尝试用不同风格的语气和Moshi去说话。这时，他要求Moshi用法语口音，去朗诵一首关于巴黎的诗。巴黎，这座爱情之城，此处时间静止，心灵翱翔。坐落在欧洲的中心，正值发展黄金时期。塞纳河流淌，夜晚星光闪烁，简直是一幅美丽的景象。
然后，Nell又让Moshi假装是一位海盗，去讲述自己在「七海」中冒险的经历。突然间，Moshi一下子变换了语气，特别像我们在《巴勒比海盗》中，听到Jack Sparrow的声音。甚至，Moshi还可以用一种低声细语的声音，去讲述《黑客帝国》电影中的情节。对此，LeCun表示，「数字海盗可以听懂带法国口音的英语」。可以看出，Moshi模型可以在你提问尚未结束时，就能给出回答，或者在你打断模型讲话时，也能做出反应。这是因为模型中进行了预测编码，并即时更新你要说的话。在最后一个演示中，同事们决定尝试做一些角色扮演。也就是我们在开篇看到执行星舰任务的demo。
Moshi在技术上，有什么创新，才能拥有对标GPT-4o的实力。接下来，同事介绍了当前语音AI的一些限制，比如「听」会使用自动语音识别技术，「想」使用大模型，「说」会使用文本-语音技术。那么，我们该如何将这些步骤，融合到一个单个语音模型中，这就是kyutai所做的。多模态Moshi不仅可以听，还可以说，并在说话的同时能够思考。理论上讲，Moshi的最低延迟可以实现160毫秒，创世界新纪录。模型采用了I/O双通道系统，同时生成文本token和音频编解码器。具体来说，语言模型Helium-7B从头先开始训练，然后再与文本、语音编码器联合训练。该语音编解码器基于Kyutai的内部Mimi模型，压缩系数高达 300 倍，可捕捉语义和声学信息。在Moshi的微调过程中，采用了涉及了100k「口语式」合成对话——高度详细、带有情感和风格注释的文本记录，均由模型Helium转译而来。此外，模型的语音还由另一个单独的TTS模型生成的合成数据完成训练。此外，模型还使用了专业配音演员Alice录制了20个小时的音频，并基于此进行微调。正如研究人员所讲那样，Moshi设计具有适应性，只需不到30分钟的音频就可以完成微调。在部署方面，Moshi托管在Scaleway和抱抱脸上，可以处理两个批大小的24 GB VRAM。而且，它还可以支持各种后端，包括CUDA、KV缓存，还可以通过Rust在推理代码中优化。为了确保音频的安全性，Kyutai将会为生成音频附上水印，并在数据库中对生成的音频进行索引。虽然Moshi的发布效果看起来不错，但依旧迎来了推特网友的质疑，认为他们是跟风GPT-4o，而且demo的语音质量、回答时机等方面不如GPT-4o完善。对此，HuggingFace的联合创始人兼首席科学官Thomas Wolf在线为Moshi站台，并回怼说这些都是「最不相关的事实」。在他看来，最显而易见的事实是——GPT-4o的语音功能不知道要鸽到什么时候，但Moshi在发布后就已经上线。- 像kyutai这样只有8+成员的小型团队在6个月内构建出了Moshi，模型的训练pipeline和架构应该非常简单，且具有巨大的可扩展性，合成数据也起到了巨大的推进作用。- Moshi专注于本地设备的部署，这会让它很快就流行起来、无处不在。相比之下，需要考虑盈利的模型（如GPT）没有动力去推进本地运行。- 在保持答案质量达到Llama 8B或以上水平时，将延迟降低到300ms以下是交互性的关键推动因素。
kyutai是一家来自法国巴黎的非营利AI实验室，从主页中可以看出，这是致力于开源开放的团队。目前，kyutai重点关注多模态技术，并且他们在官方简介中承诺：所有开发的模型都是为了能免费开放共享。敢在主页上使用「Open Science」这种描述，这和kyutai的承诺与愿景是分不开的。不仅仅是开源模型，他们还希望能够发布训练代码和数据，以及相应的论文，希望以科学研究为导向来解释这些结果。kyutai的创始成员共有6人，其中我们还能发现很多有AI特色的职衔，比如「首席扩展官」（Chief Scaling Office）和「首席模型官」（Chief Modelling Officer）。这6位创始人有一个共同特点——都有杰出的学术背景，都曾在苹果、微软、Meta（Fackbook）、谷歌DeepMind等科技巨头的实验室从事研发工作。CEO Patrick Pérez本科毕业于巴黎中央理工学院应用数学专业，博士毕业于法国国家信息与自动化研究所（Inria），曾在布朗大学、微软研究院、Technicolor、法雷奥等多个公私机构从事研究。「首席扩展官」Edouard Grave博士毕业于巴黎第六大学，在UC伯克利和哥伦比亚大学有过两段博士后经历，并在苹果MLR和FAIR供职8年。在FAIR期间，他还共同领导了Llama和fastText库的开发。CSO Hervé Jégou也曾在Inria担任研究科学家。FAIR在2015年成立巴黎实验室时，他就以经理的身份加入，后升任总监。流行的矢量搜索库Faiss就是他在FAIR工作期间创建的。CTO Laurent Mazaré获得密码学和形式方法交叉领域的博士学位后曾进入金融领域，在高盛担任量化策略师。2017年，他加入DeepMind计算机视觉研究组担任研究工程师。「首席模型官」Neil Zeghidour博士毕业于巴黎高等师范学院，曾在FAIR和DeepMind任职，并创建了DeepMind首个致力于音频生成的团队。除了研究工作，他还在巴黎高等师范学院教授语音处理技术。科学家Alexandre Défossez在Inria和FAIR的合作项目中获得博士学位，并在毕业后加入FAIR从事音频建模工作，领导开发了开源的音频生成框架AudioCraft。除了kyutai自己的研究团队之外，他们还组建了一个外部的「明星顾问」团队。顾问团的成员包括Yann LeCun、马克斯·普朗克智能系统研究所所长Bernhard Schölkopf和华盛顿大学教授Yejin Choi，负责每年对所有人的工作进行1～2次检查并提供反馈。资金方面，kyutai主要由私人资助和捐助支持，隶属于云计算公司Scaleway，这也是法国电信巨头Iliad集团的子公司。去年11月，Iliad的CEOXavier Niel在公开会议上透露，已经为kyutai筹集了3亿欧元的资金，包括他自己私人投入的1亿和另一位法国富豪、航运和物流巨头达飞海运CEO Rodolphe Saadé的1亿欧元。至于AI初创公司的老大难问题——算力，kyutai使用的是Scaleway建造的Nabu 2023。这台超算搭载了1016个英伟达H100 GPU以及共112个内核的英特尔Xeon Platinum 8480C处理器，在FP8精度下最高计算速度可达到4021.3 PFLOPS。https://x.com/_philschmid/status/1808491737624592563https://x.com/honualx/status/1808595796893298951https://x.com/ylecun/status/1808573335439298629
