¿Qué es Moshi?
Moshi es el modelo de diálogo de voz a voz de Kyutai y el código para ejecutarlo. A diferencia de un pipeline que transcribe, piensa y luego habla, Moshi escucha y habla al mismo tiempo: modela tu flujo de audio y el suyo a la vez con un transformer de 7B parámetros y un flujo de texto paralelo que llama monólogo interior. Su códec Mimi comprime audio de 24 kHz a 12,5 tramas por segundo a 1,1 kbps.
El repositorio tiene tres stacks de inferencia: PyTorch para investigación, MLX para Mac y iPhone, y Rust con CUDA o Metal para producción, además del cliente web de la demo moshi.chat. Incluye dos voces, Moshiko y Moshika, y el mismo código ejecuta la traducción de voz Hibiki de Kyutai y sus modelos de voz a texto y de texto a voz en streaming.
El código de Python y el cliente web tienen licencia MIT y el backend de Rust, Apache 2.0; los pesos son CC-BY 4.0. El repositorio tiene unas 11.500 estrellas en GitHub, el paquete moshi llegó a la 0.2.13 en PyPI en febrero de 2026 y el último commit es del 16 de mayo de 2026.
¿Merece la pena Moshi?
La latencia de Moshi es el motivo para mirarlo. Kyutai sitúa el mínimo teórico en 160 ms (una trama Mimi de 80 ms más 80 ms de retardo acústico) y mide unos 200 ms de extremo a extremo en una GPU L4. Como modela a los dos interlocutores a la vez, se le puede interrumpir y puede hablar mientras tú hablas, algo que los pipelines que encadenan reconocimiento de voz, un modelo de lenguaje y síntesis de voz tienen que imitar con detección de actividad de voz.
El modelo que hay detrás no ha cambiado desde 2024. Solo habla inglés, las FAQ dicen que cambiar su voz o su personalidad requeriría fine-tuning, y los datos de preentrenamiento no se publicarán. Las versiones MLX y Rust se detienen tras unos 5 minutos de conversación porque usan un búfer fijo; la versión PyTorch sigue, pero Kyutai dice que eso está apenas probado y que la calidad probablemente se degrade.
El hardware es la barrera práctica. El stack de PyTorch no tiene cuantización y pide una GPU de 24 GB; el backend de Rust funciona en int8 con CUDA, una tarjeta de 12 GB solo sirve con un apaño sacado del gestor de issues y con 8 GB no es posible. En un Mac, la vía es MLX con pesos de 4 bits; Kyutai informa de que bajar de 4 bits arruina la calidad y no espera que funcione en un M1.
La configuración por defecto para desplegarlo hay que leerla con cuidado. El servidor de PyTorch escucha en localhost, puerto 8998, sin autenticación en el código, mientras que la configuración de ejemplo del backend de Rust se enlaza a 0.0.0.0 con un certificado autofirmado, accesible desde la red. La opción --gradio-tunnel publica una URL pública enrutada por EE. UU. que, según Kyutai, puede añadir hasta 500 ms desde Europa. Un agente de voz en producción responderá mejor con un pipeline en torno a un modelo de lenguaje más potente; Moshi es la referencia para la investigación full-duplex y para quien construya el siguiente.
Dónde se gana su sitio
Una investigadora de voz en un laboratorio universitario
Estudiar los turnos de palabra y las interrupciones en el diálogo hablado
Ejecuta el servidor de PyTorch en una GPU de 24 GB y registra ambos flujos de audio junto al texto de monólogo interior que predice Moshi. Los pesos abiertos y el informe técnico de arXiv dan una referencia citable, y el código es gratuito bajo MIT.
Un ingeniero de interfaces de voz en una start-up de robótica de consumo
Comprobar qué aporta a un producto una conversación interrumpible de menos de un segundo antes de construirlo
Compila el backend de Rust con CUDA, arráncalo con config-q8.json para usar pesos int8 y abre la interfaz web en el puerto 8998. Trátalo como un prototipo: solo inglés, una personalidad fija y sesiones que terminan tras unos 5 minutos.
Un desarrollador de Mac que explora la voz en el dispositivo
Probar un modelo de voz a voz sin factura de la nube
Haz pip install moshi_mlx con Python 3.12 y ejecuta python -m moshi_mlx.local -q 4 en Apple silicon. Kyutai lo probó en un MacBook Pro M3; el cliente de línea de comandos no tiene cancelación de eco, así que usa la interfaz web o auriculares.
Antes de decidirte
- Puesta en marcha
- pip install moshi (Python 3.10 o posterior, 3.12 recomendado); después, python -m moshi.server descarga los pesos de Hugging Face y sirve una interfaz web en localhost:8998. El backend de Rust necesita la toolchain de Rust y CUDA con nvcc, o Metal en macOS; Docker Compose funciona con CUDA.
- Integraciones
- Una interfaz web, clientes de línea de comandos en Python y Rust y una demo de Gradio comparten un mismo protocolo de streaming; rustymimi ofrece bindings de Python para el códec Mimi; el mismo stack ejecuta Hibiki y los modelos de voz a texto y texto a voz en streaming de Kyutai.
- Datos y privacidad
- Autoalojado, así que el audio se queda en tu máquina salvo que actives --gradio-tunnel, que expone el servidor mediante una URL pública enrutada por EE. UU. La configuración de ejemplo de Rust se enlaza a 0.0.0.0:8998 con un certificado autofirmado, y el servidor de PyTorch no tiene inicio de sesión. Los pesos son CC-BY 4.0, que exige atribución.
- Coste a escala
- El código y los pesos son gratuitos; el coste es tiempo de GPU, desde una tarjeta de 24 GB para PyTorch hasta un despliegue en Rust int8 con CUDA. Kyutai no publica cuántas conversaciones simultáneas soporta una GPU.
- Límites
- Solo inglés, 24 GB de VRAM para PyTorch, sesiones de unos 5 minutos en MLX y Rust, sin soporte oficial para Windows y sin publicación del conjunto de datos de preentrenamiento.
Lo bueno
- Unos 200 ms de latencia de extremo a extremo en una GPU L4
- Full-duplex: escucha mientras habla y gestiona interrupciones
- Stacks de PyTorch, MLX y Rust, más un cliente web listo
- Pesos abiertos bajo CC-BY 4.0; código bajo MIT y Apache 2.0
Lo malo
- Solo inglés; una voz o personalidad nueva requiere fine-tuning
- GPU de 24 GB para PyTorch; las tarjetas de 8 GB no pueden ejecutarlo
- Las sesiones en MLX y Rust se detienen tras unos 5 minutos
- El modelo no ha cambiado desde su lanzamiento en 2024
Ideal para
Investigadores de voz e ingenieros de interfaces de voz que quieren estudiar o ampliar un modelo de diálogo hablado full-duplex en sus propias GPU.
Alternativas a Moshi
Moshi: preguntas frecuentes
- ¿Merece la pena Moshi?
- Moshi sigue mostrando lo que se siente con un modelo de voz de verdad conversacional, pero un modelo de 2024, solo en inglés y que pide una GPU de 24 GB, es una plataforma de investigación, no un agente de voz para poner en producción. Le damos un 3.6 sobre 5.
- ¿Cuánto cuesta Moshi?
- Gratuito: código bajo MIT y Apache 2.0, pesos bajo CC-BY 4.0. Sin edición de pago.
- ¿Qué inconvenientes tiene Moshi?
- Solo inglés; una voz o personalidad nueva requiere fine-tuning; gPU de 24 GB para PyTorch; las tarjetas de 8 GB no pueden ejecutarlo; las sesiones en MLX y Rust se detienen tras unos 5 minutos; el modelo no ha cambiado desde su lanzamiento en 2024.
- ¿Para quién es Moshi?
- Investigadores de voz e ingenieros de interfaces de voz que quieren estudiar o ampliar un modelo de diálogo hablado full-duplex en sus propias GPU.
- ¿Cuánto cuesta Moshi para un equipo o en producción?
- El código y los pesos son gratuitos; el coste es tiempo de GPU, desde una tarjeta de 24 GB para PyTorch hasta un despliegue en Rust int8 con CUDA. Kyutai no publica cuántas conversaciones simultáneas soporta una GPU.
- ¿Es Moshi seguro para los datos de la empresa?
- Autoalojado, así que el audio se queda en tu máquina salvo que actives --gradio-tunnel, que expone el servidor mediante una URL pública enrutada por EE. UU. La configuración de ejemplo de Rust se enlaza a 0.0.0.0:8998 con un certificado autofirmado, y el servidor de PyTorch no tiene inicio de sesión. Los pesos son CC-BY 4.0, que exige atribución.
- ¿Cuáles son las mejores alternativas a Moshi?
- Las alternativas más cercanas que hemos analizado son VibeVoice y audio.cpp.
Respuestas comprobadas el 14 nov 2026.