Guia rapida de PersonaPlex: habla conversacional full-duplex con control de persona y voz

Fri, 10 Apr 2026 11:34:38 +0800

PersonaPlex es un modelo conversacional de voz a voz en tiempo real y full-duplex. Ofrece dos dimensiones principales de control:

prompts de texto para controlar el rol o la persona
condicionamiento de audio para controlar el estilo de voz

Esta construido sobre la arquitectura y los pesos de Moshi, con el objetivo de lograr interacciones habladas de baja latencia, mas naturales y con un comportamiento de persona consistente.

Para Que Sirve

Los casos de uso comunes incluyen:

asistentes de voz en tiempo real
interacciones de rol tipo atencion al cliente
demos conversacionales de baja latencia
experimentos de control de persona + voz

Requisitos Previos

Instala la biblioteca de desarrollo del codec de audio Opus:

# Ubuntu/Debian
sudo apt install libopus-dev

# Fedora/RHEL
sudo dnf install opus-devel

Instalacion y Entorno

Instala desde el repositorio:

`1`	`pip install moshi/.`

Para GPU Blackwell, se puede usar un paso adicional:

`1`	`pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu130`

Despues de aceptar la licencia del modelo PersonaPlex en Hugging Face, configura tu token:

`1`	`export HF_TOKEN=<YOUR_HUGGINGFACE_TOKEN>`

Lanzar el Servidor en Vivo

Arranque estandar (SSL temporal):

`1`	`SSL_DIR=$(mktemp -d); python -m moshi.server --ssl "$SSL_DIR"`

Si la memoria de la GPU es limitada, activa la descarga a CPU (accelerate requerido):

1
2

pip install accelerate
SSL_DIR=$(mktemp -d); python -m moshi.server --ssl "$SSL_DIR" --cpu-offload

Usa localhost:8998 para ejecuciones locales, o el enlace de acceso impreso para entornos remotos.

Evaluacion Offline

El script offline consume un wav de entrada y genera un wav de salida con la misma duracion:

HF_TOKEN=<TOKEN> \
python -m moshi.offline \
  --voice-prompt "NATF2.pt" \
  --input-wav "assets/test/input_assistant.wav" \
  --seed 42424242 \
  --output-wav "output.wav" \
  --output-text "output.json"

HF_TOKEN=<TOKEN> \
python -m moshi.offline \
  --voice-prompt "NATM1.pt" \
  --text-prompt "$(cat assets/test/prompt_service.txt)" \
  --input-wav "assets/test/input_service.wav" \
  --seed 42424242 \
  --output-wav "output.wav" \
  --output-text "output.json"

Etiquetas de Voz Integradas

Natural(female): NATF0, NATF1, NATF2, NATF3
Natural(male): NATM0, NATM1, NATM2, NATM3
Variety(female): VARF0, VARF1, VARF2, VARF3, VARF4
Variety(male): VARM0, VARM1, VARM2, VARM3, VARM4

Consejos Para Prompts

La cobertura de entrenamiento incluye principalmente:

rol de asistente
roles de atencion al cliente
conversaciones informales

Consejos practicos:

define primero la identidad del rol y luego agrega el contexto de la tarea
manten los prompts concisos para reducir la deriva de persona
reutiliza el mismo voice prompt para comparaciones estables

Resumen

PersonaPlex destaca no porque entregue una respuesta mas inteligente, sino porque mantiene un comportamiento de persona y voz mas consistente en interacciones de voz en tiempo real.

Para agentes de voz full-duplex, es una opcion practica que vale la pena probar y comparar.

PersonaPlex on KnightLi Blog