MoshiVis：让语音模型“看懂”图像，开启视觉对话新时代

MoshiVis：让语音模型“看懂”图像，开启视觉对话新时代。亮点：

1. 基于7B参数的Moshi模型，新增约206M适配器参数，轻松讨论图像；

2. 支持PyTorch、Rust、MLX三种后端，灵活部署；

3. 提供实时视觉对话能力，低延迟高效率。

参考文献：
[1] http://github.com/kyutai-labs/moshivis