MoshiVis 是 Kyutai 推出的开源多模态语音模型，基于 Moshi 实时对话语音模型开发，增加了视觉输入功能。能实现图像的自然、实时语音交互，将语音和视觉信息相结合，让用户可以通过语音与模型交流图像内容。模型在 Moshi 的 7B 基础架构上，增加了约 206M 的适配器参数，集成了 400M 的 PaliGemma2 视觉编码器。通过跨注意力机制和门控机制，MoshiVis 能将视觉信息自然地融入语音流中，保持低延迟和自然对话风格。支持 PyTorch、Rust 和 MLX 三种后端，推荐使用 Web UI 前端进行交互。

MoshiVis的主要功能

• 视觉输入功能：MoshiVis 能接收图像输入，与语音交互相结合。用户可以通过语音指令与模型交流图像内容，例如询问图像中的场景、物体、人物等信息。
• 实时交互：模型支持实时语音交互，用户可以自然地与模型对话，无需等待长时间的处理。
• 多模态融合：MoshiVis 通过跨注意力机制将视觉信息与语音流相结合，模型能同时处理语音和视觉输入。
• 低延迟与自然对话：MoshiVis 在处理图像和语音信息时，能保持低延迟，确保交互的实时性。模型继承了 Moshi 的自然对话风格，能生成自然流畅的语音回应。
• 多后端适配：MoshiVis 支持 PyTorch、Rust 和 MLX 三种后端，用户可以根据需求选择合适的后端进行部署。推荐使用 Web UI 前端进行交互
• 无障碍应用：MoshiVis 适用于无障碍 AI 接口，能帮助视障人士通过语音交互理解视觉场景。

MoshiVis的技术原理

• 多模态融合机制：MoshiVis 通过集成轻量级交叉注意模块，将视觉编码器的视觉信息注入到 Moshi 的语音标记流中。使模型能同时处理语音和视觉输入，实现语音与图像内容的交互。具体来说，视觉编码器将图像特征提取出来，然后通过交叉注意力机制与语音流进行融合，模型能理解图像内容并生成与之相关的语音回应。
• 动态门控机制：为了更好地处理视觉输入与非视觉对话主题之间的切换，MoshiVis 引入了动态门控机制。可以根据对话内容的上下文动态调整视觉信息的影响力，确保模型在讨论图像相关话题时能充分利用视觉输入，在其他话题中减少视觉信息的干扰，提高对话的自然性和流畅性。
• 参数高效微调：MoshiVis 采用了单阶段、参数高效的微调流程。在训练过程中，模型利用图像-文本和图像-语音样本的混合数据进行训练，降低训练成本并提高模型的适应性。减少了对大规模图像-语音配对数据的需求，保留了语音模型的韵律特征，如说话者的语调。

MoshiVis的项目地址

• 项目官网：kyutai.org/moshivis
• Github仓库：https://github.com/kyutai-labs/moshivis
• arXiv技术论文：https://arxiv.org/pdf/2503.15633

MoshiVis的应用场景

• 老年人辅助：对于视力不佳或行动不便的老年人，MoshiVis 可以作为智能助手，帮助他们识别物品、阅读文字或获取环境信息。
• 智能家居控制：在智能家居环境中，用户可以通过语音指令让 MoshiVis 识别房间内的设备或场景，进行相应的控制操作。
• 视觉辅助学习：在教育领域，MoshiVis 可以帮助学生通过语音交互学习图像内容，例如识别动植物、历史文物等。
• 社交媒体互动：用户可以上传图片，MoshiVis 通过语音生成有趣的描述或评论，增强社交媒体的互动性。
• 工业检查：在工业环境中，MoshiVis 可以帮助工人通过语音交互检查设备状态、识别故障部位。