MOSS-Audio 오픈소스 통합 오디오 모델 출시: 4B·8B 규격 지원
통합 오디오 이해 모델 MOSS-Audio가 오픈소스로 공개되었습니다. 4B 및 8B 크기로 제공되며 각각 Instruct와 Thinking 버전을 갖췄습니다. 음성 인식, 화자 분석, 감정 감지, 환경음 및 음악 이해를 단일 모델로 통합했으며, 타임스탬프 ASR 정밀도에서 Gemini-3.1-Pro를 크게 앞섭니다.
MOSS-Audio는 다양한 오디오 이해 작업을 단일 아키텍처에서 처리할 수 있도록 설계된 오픈소스 통합 오디오-언어 모델입니다.
전 기능을 하나로 통합
음성 인식뿐만 아니라 화자 분석, 감정 감지, 환경음 인식, 음악 이해, 타임스탬프 기반 ASR 및 오디오 캡셔닝 기능을 단일 모델 안에 모두 담았습니다.
모델 규격은 4B와 8B 두 가지 크기로 제공되며, 각 규격마다 Instruct 버전과 단계적 추론을 수행하는 Thinking 버전을 각각 갖추고 있습니다.
기술 보고서에 따르면 특히 타임스탬프 ASR 정밀도 부문에서 대형 독점 모델인 Gemini-3.1-Pro를 큰 격차로 앞서는 성과를 거두었습니다.
왜 중요한가
그동안 풍부한 오디오 분석을 구현하려면 텍스트 변환, 화자 분리, 음향 감지 모델을 따로 엮어야 해 파이프라인 관리가 번거로웠습니다.
MOSS-Audio는 이러한 능력을 4B~8B 크기의 경량 엔드투엔드 모델로 묶어내 배포와 운영 부담을 크게 덜어줍니다.
팟캐스트 편집기, 영상 검색기, 회의록 요약 도구를 개발하는 팀이라면 벤치마크를 직접 돌려볼 만한 가치가 충분합니다.
출처 (1)
- arxiv.org(새 탭에서 열림)원문arxiv.org