Moshi(モシ)とは
Moshiとは、フランスの研究所Kyutaiが開発した、人と声でリアルタイムに会話できるAI音声対話モデルです。文字を読み上げる音声合成とも、声を文字に起こす音声認識とも違い、声で受け答えそのものを成立させるのが持ち味になります。
聞きながら話せる、人に近い会話
ふつうの音声アシスタントは、こちらが話し終わるのを待ってから返事をします。Moshiが新しいのは、自分が話しながら相手の声も同時に聞ける点です。これを全二重（聞くと話すを同時に行うこと）と呼びます。応答までの間は約0.2秒と、人どうしの会話の間合いにかなり近いほど。途中で割り込んでも自然に応じられるのも、人との会話に近い感覚です。Moshiはオープンソースとして公開されており、誰でも仕組みを確かめられる点も特徴でしょう。なお、よく似た音声系のSesameとは役割が異なります。
Topic声に出す前に、頭の中でひとりごと
Moshiには「内なる独白」と呼ばれる仕組みがあります。声を出す前に、これから話す内容を文字として先に予測してから発声するのです。私たちが口を開く前に、頭の中で言葉を組み立てるのに少し似ています。このひと手間が、受け答えの自然さや正確さを支えていると説明されています。会話の裏で、AIが静かにひとりごとを言っているようなものですね。
関連用語
Moshiに関するよくある質問
- MoshiとSesameは何が違いますか？
- どちらも音声系のAIですが、Moshiは聞きながら話せるリアルタイムの会話（全二重）に強く、割り込みにも応じられます。Sesameは自然で人間らしい話し声づくりに重きを置く会話音声モデルで、狙いどころが異なります。
- Moshiは普通の音声アシスタントと何が違いますか？
- 一般的なアシスタントが話し終わりを待って返事をするのに対し、Moshiは自分が話しながら相手の声も同時に聞けます。応答までが約0.2秒と速く、会話のテンポが人どうしに近いのが違いです。
