资料修改2026-09尚无逐条事实核验记录；修改日期不代表已验证
本文仍包含未全面复核的历史资料；安装、许可、费用与当前权限请回到官方确认。查看已核信息范围
Kyutai（法国）
法国的研究型开源机构：专注实时语音与文本模型的公开研究，成果多以开源权重 + 论文 + 可跑代码的形式发布。它不是产品化厂商，而是"看语音链路前沿"的地方。
这家机构在做什么
| 方向 | 代表成果 | 形态 |
|---|---|---|
| 实时语音对话 | Moshi（全双工语音对话） | 开源权重 + 代码 |
| 流式语音翻译 | Hibiki 等语音到语音方向 | 开源 |
| 语音应用栈 | Unmute（把语音模型接成可用产品） | 开源演示 + 自部署 |
| 文本模型 | Helium 系列小参数模型 | 开源权重 |
实时语音对话：Moshi（全双工语音对话）·开源权重 + 代码
流式语音翻译：Hibiki 等语音到语音方向·开源
语音应用栈：Unmute（把语音模型接成可用产品）·开源演示 + 自部署
文本模型：Helium 系列小参数模型·开源权重
（型号与版本以官方仓库/模型页当前状态为准——研究项目迭代快。）
文本线怎么放
Helium 是它的小参数文本模型线，定位与语音线一样偏研究：可下载、可复现，但没有产品化的支持节奏。
要"有完整本地部署路径的开源小档"，对照 Mistral AI 档案；权重下载走官方组织页，国内访问见 HF 与国内镜像 与 下载加速与续传。
实时语音难在哪
语音对话看起来只是"语音进、语音出"，实际上每一步都比文本难：
| 环节 | 难在哪 |
|---|---|
| 全双工 | 要能边听边说，而不是等对方说完再回答 |
| 低延迟 | 延迟按毫秒计，等模型"想完"再开口就失去对话感 |
| 打断处理 | 用户插话时要在合适的位置停下并切换 |
| 流式编解码 | 音频要边收边编解码，不能等整段录完 |
| 长会话稳定性 | 对话越长，上下文与状态管理越容易退化 |
全双工：要能边听边说，而不是等对方说完再回答
低延迟：延迟按毫秒计，等模型"想完"再开口就失去对话感
打断处理：用户插话时要在合适的位置停下并切换
流式编解码：音频要边收边编解码，不能等整段录完
长会话稳定性：对话越长，上下文与状态管理越容易退化
口径：正因为难点集中在工程与延迟上，这条线的公开成果多以研究项目形式出现，而不是直接做成产品。
模型演进（发布时间线）
| 时间 | 型号 / 动作 | 关键信息 |
|---|---|---|
| 2026 | MuScriptor / MIRA / Pocket TTS |
这一年的几条新线（语音与文本方向）；具体发布日未核实，以仓库与论文页为准 |
2026：MuScriptor / MIRA / Pocket TTS·这一年的几条新线（语音与文本方向）；具体发布日未核实，以仓库与论文页为准
更早的成果没有可靠发布日，故不入时间轴（Kyutai 走"论文 + 仓库"路线，发布页按仓库提交时间而非产品发布日）：
Moshi（实时全双工语音对话）、Mimi（语音编解码）、Hibiki（流式语音翻译方向）、Unmute（自部署语音应用栈）、
Helium（小参数文本模型）——详见上表与官方仓库。
口径：宁可写"未核实"也不编日期；上表这一行是按年记录，时间轴页会显示为
2026。
民间梗与争议
- 8 个人、6 个月，做出实时语音模型然后开源：官方通稿的两个数字，后来被社区反复引用。
展开背景
2024-07-03，Kyutai 在巴黎公开演示 Moshi。官方通稿称其为"首个面向所有人开放访问的语音 AI"，并强调团队只有 8 人、从零开始做了 6 个月；模型"足够紧凑，可以装在本地设备上运行"，代码与权重"将很快免费共享"。通稿还留下底账：成立时创始科学家 6 人，发稿时约 12 人，算力来自 Scaleway 的 Nabu 23 集群。2024-09-18，官方博客发布 Moshi 开源版（标题就是"在本地跑 Moshi"）。社区是另一种读法：开源版的 Hacker News 帖拿到 365 分、64 条评论，实测两极——有人指出它延迟约 200 毫秒、底座是 7B 模型，因此"不会太聪明"；也有人抱怨"你还没说完它就开始答，但那多半是填充句，真正回答要等很久，还会卡进循环"。最尖锐的一条是怀疑"放出来的权重是不是就是 7 月演示的那一版"，Kyutai 的 Laurent 在帖内回复：线上演示用的就是同一份量化版本，"我们没有注意到变差"。2023-11-17 成立时它的定位是"欧洲第一个独立 AI 开放科学研究实验室"，由 iliad、达飞与 Schmidt Futures 共同发起——非营利、开放科学。社区印象因此很统一：产出不是订阅制产品，而是可直接下载的权重与论文；但"8 人 6 个月"的光环，也在同一批实测里被折算成"研究原型，不是产品"。 来源：Kyutai 官方新闻稿：Moshi 发布（2024-07-03，PDF） · Kyutai 官方博客：Moshi 开源版——run Moshi locally!（2024-09-18） · HN 讨论：Moshi — A speech-text foundation model（2024-09-18，365 分 64 评论，含 Kyutai 团队回帖） · HN 讨论：Kyutai unveils the first voice-enabled AI openly accessible to all（2024-07-03，25 分 10 评论） · TechCrunch：Kyutai is a French AI research lab with a $330 million budget（2023-11-17） · ActuIA：Kyutai 机构页（Moshi 与开源路线记录）
- **"3 亿还是 3.3 亿"：非营利实验室的账本**：官方通稿写"已有近 3 亿欧元投入"，各家却读出了 2 亿、3 亿、3.3 亿三个版本。展开背景
Kyutai 的资金规模在公开报道里有几个版本。官方通稿写了两句：一是"iliad 集团与达飞集团各出资 1 亿欧元"，二是"已有近 3 亿欧元投入其中，Kyutai 正在寻求引入其他私人投资者"——官方口径是"近 3 亿欧元"（约合 3.3 亿美元）。中文媒体只拎第一句：中国航务周刊写"iliad Group 和达飞分别向实验室捐赠了 1 亿欧元"，读下来只有 2 亿欧元；TechCrunch（2023-11-17）标题写"预算 3.3 亿美元"，正文写 Niel 与 Saadé 各出 1 亿欧元；ActuIA 条目（2025-07-12 更新）写"拥有 3 亿欧元的资金支持"。社区对钱的读法更直接：Hacker News 上 TechCrunch 那篇的讨论帖（269 分、92 条评论）标题沿用"3.3 亿美元"，最高赞方向是"3.3 亿美元差不多就是 33 次大模型训练，不足以把开源带到 GPT-3.5 附近"；也有人替它辩护——"这是一个做 AI 而不只是 LLM 的实验室"；同日另一个帖子标题写的是"300M euro of support"。口径不一本身也是梗的一部分：一个"非营利"实验室，靠两位大股东各 1 亿欧元的捐赠与 Scaleway 的算力起家，它更像公共研究机构，还是巨头们的"人才与算力蓄水池"？2025 年后它的产品线铺到 Moshi、Unmute、Hibiki 等一串名字，社区评价长期停在"开源做得漂亮，影响力仍待观察"。 来源：Kyutai 官方新闻稿：实验室成立——iliad 与达飞各出资 1 亿欧元、近 3 亿欧元已投入（2023-11-17，PDF） · 搜狐（中国航务周刊）：达飞 1 亿欧元投资 AI 领域！CEO 成联合创始人（2023-11-20） · TechCrunch：Kyutai is a French AI research lab with a $330 million budget（2023-11-17） · HN 讨论：Kyutai AI research lab with a $330M budget（2023-11-19，269 分 92 评论） · HN 讨论：Kyutai — non-profit AI lab dedicated to open science with 300M euro of support（2023-11-17） · ActuIA：Kyutai 机构页（3 亿欧元资金支持，更新于 2025-07-12）
能不能本地跑
可以，这是它和同国其他厂商最大的不同：
| 判断项 | 结论 |
|---|---|
| 权重是否公开 | 公开（Hugging Face kyutai 组织页） |
| 许可 | 随项目而异，逐个确认（商用前必看） |
| 本地运行 | 支持（GPU 推理；实时语音对延迟敏感） |
| 生产可用性 | 研究性质偏强，别直接押在生产依赖上 |
权重是否公开：公开（Hugging Face kyutai 组织页）
许可：随项目而异，逐个确认（商用前必看）
本地运行：支持（GPU 推理；实时语音对延迟敏感）
生产可用性：研究性质偏强，别直接押在生产依赖上
本地跑之前先看这几件事
- 显存与实时性：语音是流式的，延迟比吞吐更重要；显存账见 显存与量化进阶。
- 权重下载：Hugging Face 组织页 + HF 与国内镜像，大文件看 下载加速与续传。
- 想直接要"能用的语音工具"：站内的 GPT-SoVITS、CosyVoice、Fish Speech 更偏工具化，适合先落地。
- 想理解实时语音架构：Kyutai 的公开代码与研究说明是第一手材料。
⚠️ 避坑：研究项目的迭代与维护节奏不稳定（接口会变、模型会换）。要稳定生产，选产品化厂商或用站内的工具链。
语音链路的站内对照
按你真正想要的东西分岔：
| 你要什么 | 站内先看谁 |
|---|---|
| 能立刻用起来的语音工具 | GPT-SoVITS / CosyVoice / Fish Speech |
| 商用级语音全栈，并对照开源替代 | ElevenLabs 档案 |
| 开源语音模型覆盖最深的一家 | 阶跃星辰 StepFun 档案 |
| 实时对话架构的一手研究材料 | 本家（Kyutai） |
能立刻用起来的语音工具：GPT-SoVITS / CosyVoice / Fish Speech
商用级语音全栈，并对照开源替代：ElevenLabs 档案
开源语音模型覆盖最深的一家：阶跃星辰 StepFun 档案
实时对话架构的一手研究材料：本家（Kyutai）
本地跑实时语音的账
实时语音比"跑得动"更在意"跟得上"，要算三条线：
| 账 | 关注点 | 站内参考 |
|---|---|---|
| 显存账 | 模型权重 + 音频缓冲占多少 | 显存与量化进阶、GGUF 量化与显存 |
| 延迟账 | 单帧处理时间是否小于音频帧长 | 量化档位直接影响延迟，同上 |
| 环境账 | 驱动 / CUDA / 推理框架版本对不对得上 | CUDA 版本匹配 |
显存账：模型权重 + 音频缓冲占多少·显存与量化进阶、GGUF 量化与显存
延迟账：单帧处理时间是否小于音频帧长·量化档位直接影响延迟，同上
环境账：驱动 / CUDA / 推理框架版本对不对得上·CUDA 版本匹配
⚠️ 避坑：低配机器跑实时语音的典型表现不是"跑不起来"，而是掉帧——能出声，但对话节奏会断。先按延迟预算挑量化档，再谈模型大小。
常见误解
- "开源 = 可商用"：许可随项目而异，商用前必须逐个确认。
- "研究模型 = 生产可用"：研究项目迭代节奏不定，接口与模型都可能变。
- "权重能下 = 消费级就能实时跑"：实时语音对延迟敏感，能加载不等于能实时。
官方入口
- 官网：
kyutai.org· 代码与权重：GitHub / Hugging Face 的kyutai-labs/kyutai组织
串联
- 语音与文本工具横向对照 → 本地部署厂商地图
- 同类研究型开源 → 更多开源选择
- 语音产品侧的对照 → ElevenLabs、阶跃星辰 StepFun
- 文本小档的完整本地路径 → Mistral AI