MoshiVis是一种开源视觉语音模型，结合实时语音交互与视觉内容，提升了对视觉场景的描述能力，特别适合视障人士。它通过轻量级交叉注意模块增强语音模型，确保低延迟和高效能，促进自然交互与可访问性。