Moshiとは？
Moshiは、Kyutaiが開発した音声から音声への対話モデルと、それを動かすためのコードです。文字起こしして考えてから話すパイプラインとは異なり、Moshiは聞くことと話すことを同時に行います。7Bパラメータのtransformerで、あなたの音声ストリームと自分の音声ストリームを一緒にモデル化し、内なる独白と呼ぶ並行したテキストストリームも扱います。コーデックのMimiは、24 kHzの音声を毎秒12.5フレーム、1.1 kbpsに圧縮します。
リポジトリには3つの推論スタックがあります。研究用のPyTorch、MacとiPhone向けのMLX、そして本番用にCUDAまたはMetalで動くRustで、moshi.chatデモのWebクライアントも含まれます。MoshikoとMoshikaの2つの声が用意されており、同じコードでKyutaiの音声翻訳Hibikiや、ストリーミングの音声認識・音声合成モデルも動きます。
PythonのコードとWebクライアントはMITライセンス、RustのバックエンドはApache 2.0で、重みはCC-BY 4.0です。GitHubスターは約11,500、moshiパッケージは2026年2月にPyPIで0.2.13に達し、最後のコミットは2026年5月16日です。
Moshiは使う価値があるか？
Moshiに注目する理由は遅延の短さです。Kyutaiは理論上の下限を160 ms(Mimiの80 msのフレームと80 msの音響遅延)としており、L4 GPUではエンドツーエンドで約200 msを計測しています。2人の話者を同時にモデル化するため、途中で割り込むことができ、あなたが話している間にも話せます。音声認識、言語モデル、音声合成をつなぐパイプラインでは、これを音声区間検出で模倣するしかありません。
中身のモデルは2024年から変わっていません。話せるのは英語だけで、FAQによれば声や人格を変えるにはファインチューニングが必要であり、事前学習データは公開されません。MLX版とRust版は固定バッファを使うため、約5分の会話で止まります。PyTorch版はそのまま続きますが、Kyutaiによるとほとんど検証されておらず、品質は落ちる可能性が高 いとのことです。
実際の障壁はハードウェアです。PyTorchスタックには量子化がなく、24 GBのGPUを必要とします。RustのバックエンドはCUDA上でint8で動き、12 GBのカードはissueトラッカーにある回避策を使った場合のみ動作し、8 GBでは動きません。Macでは4ビットの重みでMLXを使うのが現実的な方法です。Kyutaiは4ビット未満にすると品質が崩れると報告しており、M1で動くとは考えていません。
デプロイ時の既定値には注意が必要です。PyTorchサーバーはlocalhostのポート8998で待ち受け、コードに認証はありません。一方、Rustバックエンドの設定例は自己署名証明書を使って0.0.0.0にバインドするため、ネットワークから到達できます。--gradio-tunnelオプションは米国を経由する公開URLを発行し、Kyutaiによれば欧州からは最大500 msの遅延が加わることがあります。本番の音声エージェントなら、より強力な言語モデルを中心にしたパイプラインの方が良い応答を返すでしょう。Moshiは全二重研究の参照実装であり、次のものを作る人のための土台です。
真価を発揮する場面
大学の研究室に所属する音声研究者
音声対話における話者交替と割り込みを研究したい
24 GBのGPUでPyTorchサーバーを動かし、Moshiが予測する内なる独白のテキストとともに両方の音声ストリームを記録します。公開された重みとarXivの技術レポートが引用可能な基準となり、コードはMITのも とで無料です。
家庭用ロボットのスタートアップで働く音声インターフェースのエンジニア
製品を作る前に、1秒未満で割り込める会話が製品にもたらすものを体感したい
RustバックエンドをCUDA付きでビルドし、int8の重みを使うconfig-q8.jsonで起動して、ポート8998でWeb UIを開きます。試作品として扱ってください。英語のみ、人格は固定、セッションは約5分で終わります。
オンデバイスの音声を試すMacの開発者
クラウドの費用なしで音声から音声へのモデルを試したい
Python 3.12でpip install moshi_mlxを実行し、Apple silicon上でpython -m moshi_mlx.local -q 4を起動します。KyutaiはM3搭載のMacBook Proで検証しています。コマンドラインクライアントにはエコーキャンセルがないため、Web UIかヘッドホンを使ってください。
導入前に確認すること
- 導入
- pip install moshi(Python 3.10以降、3.12推奨)を実行し、python -m moshi.serverでHugging Faceから重みをダウンロードし、localhost:8998でWeb UIを提供します。RustバックエンドにはRustツールチェーンと、nvcc付きのCUDA、またはmacOSではMetalが必要です。Docker ComposeはCUDA環境で動きます。
- 連携
- Web UI、PythonとRustのコマンドラインクライアント、Gradioデモが同じストリーミングプロトコルを共有します。rustymimiはMimiコーデックのPythonバインディングを提供し、同じスタックでHibikiやKyutaiのストリーミング音声認識・音声合成モデルも動きます。
- データとプライバシー
- セルフホストのため、音声は自分のマシンにとどまります。ただし--gradio-tunnelを有効にすると、米国経由の公開URLでサーバーが公開されます。Rustの設定例は自己署名証明書を使って0.0.0.0:8998にバインドし、PyTorchサーバーにはログイン機能がありません。重みはCC-BY 4.0で、クレジット表記が必要です。
- 大規模利用時のコスト
- コードも重みも無料で、コストはGPU時間です。PyTorch用の24 GBのカードから、CUDA上のint8のRust構成まであります。1基のGPUで同時に何件の会話を扱えるかは、Kyutaiは公開していません。
- 制限
- 英語のみ、PyTorchには24 GBのVRAMが必要、MLXとRustではセッションが約5分、Windowsの公式サポートなし、事前学習データセットの公開なし。
良い点
- L4 GPUでエンドツーエンド約200 msの遅延
- 全二重で、話しながら聞き、割り込みにも対応する
- PyTorch、MLX、Rustの各スタックと、すぐ使えるWebクライアント
- 重みはCC-BY 4.0で公開、コードはMITとApache 2.0
気になる点
- 英語のみで、新しい声や人格にはファインチューニングが必要
- PyTorchには24 GBのGPUが必要で、8 GBのカードでは動かない
- MLXとRustのセッションは約5分で止まる
- モデルは2024年の公開以来変わっていない
おすすめの人
全二重の音声対話モデルを自前のGPUで研究・拡張したい音声研究者や音声インターフェースのエンジニア。
Moshiの代替
Moshi：よくある質問
- Moshiは使う価値があるか？
- Moshiは本当に会話ができる音声モデルがどういうものかを今も示していますが、24 GBのGPUを必要とする2024年の英語専用モデルは研究用プラットフォームであり、製品に載せる音声エージェントではありません。 評価は5点満点中3.6点です。
- Moshiの料金は？
- 無料です。コードはMITとApache 2.0、重みはCC-BY 4.0です。有料版はありません。
- Moshiの欠点は？
- 英語のみで、新しい声や人格にはファインチューニングが必要; PyTorchには24 GBのGPUが必要で、8 GBのカードでは動かない; MLXとRustのセッションは約5分で止まる; モデルは2024年の公開以来変わっていない.
- Moshiは誰に向いているか？
- 全二重の音声対話モデルを自前のGPUで研究・拡張したい音声研究者や音声インターフェースのエンジニア。
- チームや本番環境でMoshiを使うと費用はいくらか？
- コードも重みも無料で、コストはGPU時間です。PyTorch用の24 GBのカードから、CUDA上のint8のRust構成まであります。1基のGPUで同時に何件の会話を扱えるかは、Kyutaiは公開していません。
- Moshiは企業データを扱っても安全か？
- セルフホストのため、音声は自分のマシンにとどまります。ただし--gradio-tunnelを有効にすると、米国経由の公開URLでサーバーが公開されます。Rustの設定例は自己署名証明書を使って0.0.0.0:8998にバインドし、PyTorchサーバーにはログイン機能がありません。重みはCC-BY 4.0で、クレジット表記が必要です。
- Moshiの代わりになるものは？
- 当サイトでレビューした中で最も近い代替はVibeVoice 、 audio.cppです。
回答確認日：2026年11月14日