MOSS-Audio 开源统一音频模型：4B/8B 规格，集全音频理解于一身
统一音频理解模型 MOSS-Audio 正式开源，提供 4B 与 8B 规格，均包含 Instruct 和 Thinking 版本。该模型将语音识别、说话人分析、情感检测、环境声及音乐理解集成在单一架构内，时间戳 ASR 精度表现大幅领先 Gemini-3.1-Pro。
MOSS-Audio 是一个开源的统一音频理解大模型，目标是用单一架构处理几乎所有的音频理解任务。
全功能集于一身
它可以直接搞定语音识别、说话人分析、情感检测、环境声理解和音乐理解，还支持带时间戳的 ASR 和音频描述生成。
模型提供了 4B 和 8B 两种参数规格，每种规格都划分了 Instruct 和 Thinking 两个版本，兼顾直接执行与带思考链的推理任务。
在技术报告披露的表现中，它的时间戳 ASR 精度表现大幅领先，水平远高于闭源模型 Gemini-3.1-Pro。
为什么重要
以前做音频理解流水线，通常要串联好几个专用模型：一个抓时间戳，一个做说话人识别，一个辨别环境声，工程维护起来相当繁琐。
MOSS-Audio 把这些能力直接揉进了一个 4B 到 8B 的轻量端到端模型里，部署和调用的门槛一下子降了下来。
如果你正在开发播客剪辑、视频检索或会议纪要类工具，很值得跟进它的代码与权重，拿自己的业务音频跑一跑基准。
来源 (1)
- arxiv.org（在新标签页打开）原文arxiv.org