MOSS-Audio 開源統一音訊模型：4B/8B 規格，集全音訊理解於一身
統一音訊理解模型 MOSS-Audio 正式開源，提供 4B 與 8B 規格，均包含 Instruct 和 Thinking 版本。該模型將語音識別、說話人分析、情感檢測、環境聲及音樂理解整合在單一架構內，時間戳 ASR 精度表現大幅領先 Gemini-3.1-Pro。
MOSS-Audio 是一個開源的統一音訊理解大模型，目標是用單一架構處理幾乎所有的音訊理解任務。
全功能集於一身
它可以直接搞定語音識別、說話人分析、情感檢測、環境聲理解和音樂理解，還支援帶時間戳的 ASR 和音訊描述生成。
模型提供了 4B 和 8B 兩種引數規格，每種規格都劃分了 Instruct 和 Thinking 兩個版本，兼顧直接執行與帶思考鏈的推理任務。
在技術報告披露的表現中，它的時間戳 ASR 精度表現大幅領先，水平遠高於閉源模型 Gemini-3.1-Pro。
為什麼重要
以前做音訊理解流水線，通常要串聯好幾個專用模型：一個抓時間戳，一個做說話人識別，一個辨別環境聲，工程維護起來相當繁瑣。
MOSS-Audio 把這些能力直接揉進了一個 4B 到 8B 的輕量端到端模型裡，部署和呼叫的門檻一下子降了下來。
如果你正在開發播客剪輯、影片檢索或會議紀要類工具，很值得跟進它的程式碼與權重，拿自己的業務音訊跑一跑基準。
來源 (1)
- arxiv.org（在新分頁開啟）原文arxiv.org