AI・機械学習
上級
Moshi（Kyutai）リアルタイム音声LLM（モシキュータイリアルタイムオンセイエルエルエム）
Kyutai（フランス）が開発したリアルタイム双方向音声対話LLM。テキスト変換なしに音声を直接処理し、200ms以下のレイテンシで自然な会話を実現。
0 回閲覧
0 いいね
2026/6/7 更新
関連タグ
音声LLM
リアルタイム会話AI
Kyutai
end-to-end音声
Moshi（Kyutai）リアルタイム音声LLM
概要
Moshiは、フランスのAI研究機関Kyutaiが2024年7月に発表した音声ネイティブLLM。ASR（音声認識）→テキストLLM→TTS（音声合成）という従来のパイプラインを廃し、音声をそのまま入出力として扱うend-to-endアーキテクチャを採用している。
アーキテクチャ
- ベースモデル: Helium（Kyutai製7B LLM）
- 音声コーデック: Moshi Speech（EnCodecベース）
- 音声トークン: 1秒あたり12.5トークン
- レイテンシ: 約160〜200ms（エンドツーエンド）
- パラメータ数: 約7B
- ライセンス: CC-BY 4.0（モデルウェイト公開）
従来パイプラインとの違い
| 方式 | レイテンシ | 音声品質 | 感情保持 |
|---|---|---|---|
| ASR→LLM→TTS | 500ms〜2s | テキスト依存 | 困難 |
| Moshi end-to-end | 160〜200ms | 音声ネイティブ | 可能 |
主な技術的特徴
- Streaming RQ-Transformer: 音声ストリームをリアルタイムで処理するTransformerアーキテクチャ
- Inner monologue: LLM内部でテキスト的思考を並行実行しながら音声を生成
- Full-duplex: 話者とAIが同時に話せる。ターン切り替え待機なし
- 感情・トーン保持: 笑い、ため息、強調などの音声的特徴を入出力で保持
2025年の位置づけ
GPT-4oのAdvanced Voice ModeやGemini Live等と同様の「音声ネイティブAI」カテゴリに属する。Kyutaiは研究機関としてモデルウェイトとコードをオープンソースで公開しており、商用クローズドモデルとは差別化されている。
まとめ
Moshiは音声LLMのend-to-end処理という技術的ブレークスルーを示したモデル。200ms以下のレイテンシと感情保持能力により、人間同士の会話に近い自然な音声AIインタラクションを実現している。