Qu’est-ce que Moshi ?
Moshi est le modèle de dialogue parole à parole de Kyutai, accompagné du code pour l'exécuter. Contrairement à une chaîne qui transcrit, réfléchit puis parle, Moshi écoute et parle en même temps : il modélise votre flux audio et le sien ensemble avec un transformer de 7B paramètres et un flux de texte parallèle qu'il appelle monologue intérieur. Son codec Mimi compresse un audio à 24 kHz en 12,5 trames par seconde à 1,1 kbps.
Le dépôt contient trois piles d'inférence : PyTorch pour la recherche, MLX pour Mac et iPhone, et Rust avec CUDA ou Metal pour la production, ainsi que le client web de la démo moshi.chat. Il fournit deux voix, Moshiko et Moshika, et le même code fait tourner la traduction vocale Hibiki de Kyutai ainsi que ses modèles de transcription et de synthèse vocale en streaming.
Le code Python et le client web sont sous licence MIT et le backend Rust sous Apache 2.0 ; les poids sont sous CC-BY 4.0. Le dépôt compte environ 11 500 étoiles sur GitHub, le paquet moshi a atteint la 0.2.13 sur PyPI en février 2026 et le dernier commit date du 16 mai 2026.
Moshi vaut-il le coup ?
La latence de Moshi est la raison de s'y intéresser. Kyutai situe le plancher théorique à 160 ms (une trame Mimi de 80 ms plus 80 ms de délai acoustique) et mesure environ 200 ms de bout en bout sur un GPU L4. Comme il modélise les deux interlocuteurs à la fois, on peut l'interrompre et il peut parler pendant que vous parlez, ce que les chaînes enchaînant reconnaissance vocale, modèle de langage et synthèse vocale doivent imiter par détection d'activité vocale.
Le modèle sous-jacent n'a pas évolué depuis 2024. Il ne parle qu'anglais, la FAQ indique que changer sa voix ou sa personnalité demanderait un fine-tuning, et les données de pré-entraînement ne seront pas publiées. Les versions MLX et Rust s'arrêtent après environ 5 minutes de conversation, car elles utilisent un tampon fixe ; la version PyTorch continue, mais Kyutai dit que c'est peu testé et que la qualité risque de se dégrader.
Le matériel est l'obstacle pratique. La pile PyTorch n'a pas de quantification et demande un GPU de 24 Go ; le backend Rust tourne en int8 sur CUDA, une carte de 12 Go ne fonctionne qu'avec une astuce tirée du suivi des issues, et 8 Go ne suffisent pas. Sur Mac, la voie est MLX avec des poids en 4 bits ; Kyutai indique que descendre sous 4 bits ruine la qualité et ne s'attend pas à ce qu'il tourne sur un M1.
Les réglages de déploiement par défaut méritent une lecture attentive. Le serveur PyTorch écoute sur localhost, port 8998, sans authentification dans le code, tandis que la configuration d'exemple du backend Rust se lie à 0.0.0.0 avec un certificat auto-signé, accessible depuis le réseau. L'option --gradio-tunnel publie une URL publique routée par les États-Unis qui, selon Kyutai, peut ajouter jusqu'à 500 ms depuis l'Europe. Un agent vocal en production répondra mieux avec une chaîne bâtie autour d'un modèle de langage plus puissant ; Moshi est la référence pour la recherche full-duplex et pour qui construira le suivant.
Là où il fait la différence
Une chercheuse en parole dans un laboratoire universitaire
Étudier les tours de parole et les interruptions dans le dialogue oral
Faites tourner le serveur PyTorch sur un GPU de 24 Go et enregistrez les deux flux audio avec le texte de monologue intérieur prédit par Moshi. Les poids ouverts et le rapport technique sur arXiv fournissent une base citable, et le code est gratuit sous MIT.
Un ingénieur d'interfaces vocales dans une start-up de robotique grand public
Mesurer ce qu'une conversation interruptible de moins d'une seconde apporte à un produit avant d'en construire un
Compilez le backend Rust avec CUDA, lancez-le avec config-q8.json pour des poids int8 et ouvrez l'interface web sur le port 8998. Traitez-le comme un prototype : anglais uniquement, personnalité fixe et sessions qui s'arrêtent après environ 5 minutes.
Un développeur Mac qui explore la voix sur l'appareil
Essayer un modèle parole à parole sans facture cloud
Faites pip install moshi_mlx sous Python 3.12 et lancez python -m moshi_mlx.local -q 4 sur Apple silicon. Kyutai l'a testé sur un MacBook Pro M3 ; le client en ligne de commande n'a pas d'annulation d'écho, utilisez donc l'interface web ou un casque.
Avant de vous engager
- Mise en route
- pip install moshi (Python 3.10 ou plus récent, 3.12 recommandé), puis python -m moshi.server télécharge les poids depuis Hugging Face et sert une interface web sur localhost:8998. Le backend Rust demande la toolchain Rust et CUDA avec nvcc, ou Metal sous macOS ; Docker Compose fonctionne avec CUDA.
- Intégrations
- Une interface web, des clients en ligne de commande Python et Rust et une démo Gradio partagent un même protocole de streaming ; rustymimi fournit des bindings Python pour le codec Mimi ; la même pile fait tourner Hibiki et les modèles de transcription et de synthèse vocale en streaming de Kyutai.
- Données et confidentialité
- Auto-hébergé : l'audio reste sur votre machine, sauf si vous activez --gradio-tunnel, qui expose le serveur via une URL publique routée par les États-Unis. La configuration d'exemple Rust se lie à 0.0.0.0:8998 avec un certificat auto-signé, et le serveur PyTorch n'a pas de connexion par identifiant. Les poids sont sous CC-BY 4.0, qui impose l'attribution.
- Coût à grande échelle
- Code et poids gratuits ; le coût est du temps GPU, d'une carte de 24 Go pour PyTorch à un déploiement Rust int8 sur CUDA. Kyutai ne publie pas le nombre de conversations simultanées qu'un GPU peut tenir.
- Limites
- Anglais uniquement, 24 Go de VRAM pour PyTorch, sessions d'environ 5 minutes sous MLX et Rust, pas de support officiel de Windows et pas de publication du jeu de données de pré-entraînement.
Les points forts
- Environ 200 ms de latence de bout en bout sur un GPU L4
- Full-duplex : écoute pendant qu'il parle et gère les interruptions
- Piles PyTorch, MLX et Rust, plus un client web prêt à l'emploi
- Poids ouverts sous CC-BY 4.0 ; code sous MIT et Apache 2.0
Les points faibles
- Anglais uniquement ; une nouvelle voix ou personnalité demande un fine-tuning
- GPU de 24 Go pour PyTorch ; les cartes de 8 Go ne peuvent pas le faire tourner
- Les sessions MLX et Rust s'arrêtent après environ 5 minutes
- Le modèle n'a pas changé depuis sa sortie en 2024
Idéal pour
Les chercheurs en parole et les ingénieurs d'interfaces vocales qui veulent étudier ou étendre un modèle de dialogue parlé full-duplex sur leurs propres GPU.
Alternatives à Moshi
Moshi : questions fréquentes
- Moshi vaut-il le coup ?
- Moshi montre toujours ce qu'est un modèle vocal vraiment conversationnel, mais un modèle de 2024, uniquement en anglais et qui réclame un GPU de 24 Go, est une plateforme de recherche, pas un agent vocal à mettre en production. Nous lui donnons 3.6 sur 5.
- Combien coûte Moshi ?
- Gratuit : code sous MIT et Apache 2.0, poids sous CC-BY 4.0. Aucune édition payante.
- Quels sont les inconvénients de Moshi ?
- Anglais uniquement ; une nouvelle voix ou personnalité demande un fine-tuning; gPU de 24 Go pour PyTorch ; les cartes de 8 Go ne peuvent pas le faire tourner; les sessions MLX et Rust s'arrêtent après environ 5 minutes; le modèle n'a pas changé depuis sa sortie en 2024.
- À qui s’adresse Moshi ?
- Les chercheurs en parole et les ingénieurs d'interfaces vocales qui veulent étudier ou étendre un modèle de dialogue parlé full-duplex sur leurs propres GPU.
- Combien coûte Moshi pour une équipe ou en production ?
- Code et poids gratuits ; le coût est du temps GPU, d'une carte de 24 Go pour PyTorch à un déploiement Rust int8 sur CUDA. Kyutai ne publie pas le nombre de conversations simultanées qu'un GPU peut tenir.
- Moshi est-il sûr pour les données de l’entreprise ?
- Auto-hébergé : l'audio reste sur votre machine, sauf si vous activez --gradio-tunnel, qui expose le serveur via une URL publique routée par les États-Unis. La configuration d'exemple Rust se lie à 0.0.0.0:8998 avec un certificat auto-signé, et le serveur PyTorch n'a pas de connexion par identifiant. Les poids sont sous CC-BY 4.0, qui impose l'attribution.
- Quelles sont les meilleures alternatives à Moshi ?
- Les alternatives les plus proches que nous avons testées sont VibeVoice et audio.cpp.
Réponses vérifiées le 14 nov. 2026.