# Modele mowa–mowa

EN: **Speech-to-speech models** · id `speech2speech`

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Język, obraz, audio](https://aiatlasgraph.com/t/modalities.md) › [Mowa i audio](https://aiatlasgraph.com/t/audio.md) › [Agenci głosowi](https://aiatlasgraph.com/t/voiceagents.md) › [Architektury agentów głosowych](https://aiatlasgraph.com/t/voicearch.md) › Modele mowa–mowa

## Description

- PL: Model przyjmuje mowę i generuje mowę bez osobnych usług STT i TTS w potoku. Wewnętrzna reprezentacja może jednak zawierać tekst lub transkrypcję; możliwości narzędzi i kontroli kontekstu zależą od modelu.
- EN: A model takes speech and generates speech without separate STT and TTS services in the pipeline. Its internal representation may still include text or transcription; tool use and context control depend on the model.

## In one sentence

- PL: To model, który przyjmuje wypowiedź głosową i sam generuje odpowiedź głosową.
- EN: This model takes spoken input and generates a spoken response itself.

## Problem it solves

- PL: Osobne usługi mowy i tekstu mogą wydłużać rozmowę i utrudniać wykorzystanie brzmienia wypowiedzi.
- EN: Separate speech and text services can delay conversations and make vocal information harder to use.

## What it does

- PL: Model przetwarza dźwięk i tworzy dźwięk odpowiedzi we wspólnym rozwiązaniu; jego wewnętrzna praca może nadal korzystać z tekstu.
- EN: A model processes audio and produces response audio within one system; its internal processing may still involve text.

## Everyday example

- PL: Zadajesz pytanie na głos, a asystent odpowiada mową bez osobnego zewnętrznego programu czytającego odpowiedź.
- EN: You ask aloud, and an assistant replies in speech without a separate external program reading the response.

## This concerns you if you…

- PL: szukasz bezpośredniej rozmowy z modelem
- PL: chcesz uwzględniać brzmienie głosu rozmówcy
- EN: seek direct spoken interaction with a model
- EN: want to account for how a caller sounds

## Keywords

Moshi · NemotronLabs VoiceChat · neural audio codecs · acoustic tokens · speech decoder · full-duplex dialogue

## How it works

- PL: Enkoder mowy przekazuje reprezentację akustyczną do modelu przewidującego odpowiedź w audio. Dekoder odtwarza falę, przy czym wewnętrzne cele lub reprezentacje mogą obejmować tekst bez osobnych usług transkrypcji i syntezy.
- EN: A speech encoder supplies acoustic representations to a model predicting audio responses. A decoder reconstructs waveforms, while internal objectives or representations may include text without separate transcription and synthesis services.

## Limits

- PL: Zintegrowanie etapów ogranicza dostęp do niektórych pośrednich informacji. Kontrola dokładnego tekstu, kontekstu i narzędzi zależy od modelu; niski czas reakcji nie jest gwarantowany.
- EN: Integration limits access to some intermediate information. Exact-text, context and tool control depend on the model; low latency is not guaranteed.

## Key terms

- PL: **reprezentacja akustyczna**: Kod sygnału zachowujący wybrane własności mowy poza samym tekstem.
- PL: **dekoder mowy**: Moduł przekształcający reprezentację odpowiedzi w dźwięk.
- EN: **acoustic representation**: A signal encoding retaining selected speech properties beyond text.
- EN: **speech decoder**: A module converting response representations into sound.

## Know first

- [Transformery i attention (Transformers and attention)](https://aiatlasgraph.com/t/transformers.md)
- [Synteza mowy / TTS (Text-to-speech)](https://aiatlasgraph.com/t/tts.md)

## Examples

- PL: Moshi · NemotronLabs VoiceChat · sesje głosowe czasu rzeczywistego
- EN: Moshi · NemotronLabs VoiceChat · realtime voice sessions

## Related topics

Untyped, symmetric "see also" links.

- [Dialog pełnodupleksowy (Full-duplex spoken dialogue)](https://aiatlasgraph.com/t/fullduplex.md)
- [Modele multimodalne (Multimodal models)](https://aiatlasgraph.com/t/multimodal.md)
- [Tłumaczenie mowy na inny język (Speech translation)](https://aiatlasgraph.com/t/speechtranslation.md)
- [Ujednolicone modele wielomodalne (wejście i wyjście) (Unified multimodal models with multimodal input and output)](https://aiatlasgraph.com/t/omnimodels.md)

## Sources

- [Voice AI & Voice Agents: An Illustrated Primer](<https://voiceaiandvoiceagents.com/>) `voiceprimer` · by Kwindla Hultman Kramer i współautorzy (Daily / Pipecat)
- [Moshi: a speech-text foundation model for real-time dialogue](<https://arxiv.org/abs/2410.00037>) `moshi` · by Alexandre Défossez i wsp. (Kyutai)
- [WavChat: A Survey of Spoken Dialogue Models](<https://arxiv.org/abs/2411.13577>) `wavchat-survey` · by Shengpeng Ji i współautorzy
- [NemotronLabs VoiceChat: An Open Full-duplex Speech-to-Speech Model with Tool Calling Capabilities](<https://arxiv.org/abs/2609.21967>) `nemotron-voicechat-2026` · by Jagadeesh Balam i współautorzy (NVIDIA)

---

AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/speech2speech · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30