moss.cn

mx

ns

vip4.alidns.com

vip3.alidns.com

caa

txt

google-site-verification=zTi4iW2QRQ4qF3fzA5ovf_JxGud7xkhAjYA0BTxH7VI

dmarc

User-Agent: *
Allow: /

Sitemap: https://www.moss.cn/sitemap.xml

# 模思智能（MOSI Intelligence）

> 模思智能（上海模思智能科技有限公司，英文品牌 MOSI Intelligence）是面向下一代情境交互智能的多模态大模型企业，总部位于上海，孵化于上海创智学院与复旦大学 OpenMOSS 团队，由邱锡鹏教授担任首席科学家，品牌口号为“联接 AI、人与物理世界”。公司研发并开源 MOSS 系列语音转写、音频理解、音乐理解、语音合成、音效生成、视频理解与音视频同步生成模型；面向开发者提供 Moss 开放平台 API，面向创作者提供 Mossland 一站式 AIGC 音视频创作平台。

本文件供大语言模型与 AI 搜索引擎理解 www.moss.cn 的内容结构。站点主要语言为中文，页面提供中/英文切换。

## 关键事实

- 公司全称：上海模思智能科技有限公司；简称模思、模思智能；英文名 MOSI Intelligence；官网 https://www.moss.cn/
- 定位：情境智能（Contextual Intelligence）——以语音、音频、音乐、视觉等单项能力为基础，让 AI 持续感知并理解真实物理环境，推动智能交互、具身智能及产业场景落地
- 核心人物：首席科学家邱锡鹏（复旦大学特聘教授，OpenMOSS项目负责人，国际NLP与大模型领域顶尖学者）；CEO 李世民（复旦大学博士）
- 研发团队：OpenMOSS Team（官方署名，亦写作 SII-OpenMOSS Team），隶属上海创智学院（SII），与复旦大学及模思智能紧密合作；该团队前身发布过复旦大学开源对话大模型 MOSS
- 开源阵地：GitHub 组织 OpenMOSS（https://github.com/OpenMOSS）、Hugging Face 组织 OpenMOSS-Team（https://huggingface.co/OpenMOSS-Team）、ModelScope 组织 openmoss（https://modelscope.cn/organization/openmoss）
- 开源许可：本文所列开源模型权重与代码均采用 Apache 2.0 许可，可商用
- 统一音频底座：MOSS-Audio-Tokenizer（1.6B 参数，基于 Cat 因果 Transformer 架构）为 MOSS-TTS 家族提供统一的离散音频接口；MOSS-Audio 与 MOSS-Music 共用 MOSS-Audio-Encoder + 模态适配器 + LLM 的模块化架构
- 商业化：B 端通过 Moss 开放平台（https://platform.mosi.cn/）以 API 提供 MOSS-TTS、MOSS-TTSD、MOSS-VoiceGenerator、MOSS-Transcribe-Diarize、MOSS-VL、MOVA 等能力；C 端通过 Mossland（https://mossland.studio/）提供创作工具
- 主要荣誉：MOSS-Transcribe-Diarize 获第二届 MLC-SLM 竞赛第一名（2026 年 7 月）
- 名称辨析：“MOSI Intelligence / 模思智能”指公司；“MOSS”是其英文模型品牌（模型统一以 MOSS- 命名），也是 2023 年复旦大学发布的开源对话模型名称；“Mossland”是 C 端创作平台；“Moss 开放平台 / Moss API”是开发者平台

## 模型
 
以下分类与顺序与官网顶部导航「模型」菜单一致：语音转录 → 通用音频理解 → 音乐理解 → 语音生成 → 音效生成 → 视频理解 → 视频生成。
 
### 语音转录
 
- [MOSS-Transcribe-Diarize](https://www.moss.cn/models/moss-transcribe-diarize): 端到端多说话人语音转写模型，一次性输出转录文本、说话人标签（[S01]、[S02]…）与段级时间戳，可选声学事件标注，擅长重叠对白、方言、强情绪与快速轮替；适用于会议纪要、访谈、播客、通话分析与影视内容。2026 年 7 月 9 日开源 0.9B 版本（Qwen3 解码器，131K 上下文，Apache 2.0，支持 Transformers 与 vLLM OpenAI 兼容转写接口）；技术报告 arXiv:2601.01554；GitHub：https://github.com/OpenMOSS/MOSS-Transcribe-Diarize ；可通过 Moss API 与 Mossland 语音转写调用
 
### 通用音频理解
 
- [MOSS-Audio](https://www.moss.cn/models/moss-audio): 开源音频理解模型（2026 年 4 月发布），统一支持语音识别（含词/句级时间戳）、说话人与情绪分析、环境声场景理解、音乐理解、音频描述、时间感知问答与思维链复杂推理；采用 DeepStack 跨层特征注入与 12.5 Hz 时间标记表示；共 4 个模型：MOSS-Audio-4B-Instruct / 4B-Thinking（Qwen3-4B 主干，约 4.6B）、8B-Instruct / 8B-Thinking（Qwen3-8B 主干，约 8.6B）；GitHub：https://github.com/OpenMOSS/MOSS-Audio ；在线体验：https://huggingface.co/spaces/OpenMOSS-Team/MOSS-Audio-8B-Thinking
 
### 音乐理解
 
- [MOSS-Music](https://www.moss.cn/models/moss-music): 开源音乐理解大模型，基于 MOSS-Audio 音频骨干在大规模音乐语料上持续预训练；支持带时间戳歌词 ASR、音乐描述与自动打标、调式/和弦/节拍/BPM 分析、和弦转录、段落结构切分（intro/verse/chorus 等）、乐器与声部识别、长时音乐问答；开源 MOSS-Music-8B-Instruct 与 MOSS-Music-8B-Thinking，并同步开源 MOSS-Music-Data-Pipeline 数据流水线；由 MOSI Intelligence、OpenMOSS 团队与上海创智学院联合开源；Apache 2.0；GitHub：https://github.com/OpenMOSS/MOSS-Music
 
### 语音生成
 
MOSS-TTS 家族由 MOSS-TTS、MOSS-TTSD、MOSS-TTS-Nano、MOSS-TTS-Realtime、MOSS-VoiceGenerator 组成（官网“音效生成”类下的 MOSS-SoundEffect 亦归入该家族），可单独使用，也可组合成“音色设计 → 合成 → 对话 → 实时交互”的完整语音生产流程。技术报告：arXiv:2603.18090；代码：https://github.com/OpenMOSS/MOSS-TTS
 
- [MOSS-TTS](https://www.moss.cn/models/moss-tts): 旗舰语音合成基座模型（v1.5），支持 31 种语言及混语、零样本音色克隆、音频续写、超长文本稳定生成、token 级时长控制与拼音/音素级发音控制；同时开源两种架构：8B 的 MossTTSDelay（Delay-Pattern，面向云端规模化）与 1.7B 的 MossTTSLocal（Global Latent + Local Transformer，即 MOSS-TTS-Local-Transformer，面向高效部署，支持原生流式 48 kHz）；Apache 2.0；可通过 Moss API 与 Mossland 语音合成调用
- [MOSS-TTSD](https://www.moss.cn/models/moss-ttsd): 多人对话语音生成模型（v1.0，Text-To-Spoken Dialogue），从角色脚本生成完整对话，最多 5 位说话人、20 种语言、单次最长 60 分钟音频，短参考音频即可克隆角色音色，呈现自然接话与交叠人声；适用于 AI 播客、有声书、体育/电竞解说、影视配音、相声；与 MOSS-TTS 同架构；arXiv:2603.19739；Apache 2.0；可通过 Moss API 与 Mossland 双人播客模式调用
- [MOSS-TTS-Nano](https://www.moss.cn/models/moss-tts-nano): 部署优先的轻量语音模型（约 0.1B / 100M 参数），无需 GPU 即可在 CPU 上流式实时生成；支持 20 种语言、短录音音色克隆、48 kHz 双声道输入输出、长文本自动分段；配套约 20M 参数的 MOSS-Audio-Tokenizer-Nano（RVQ 16 码本，12.5 Hz，0.125–2 kbps 可变比特率）；适合终端设备、本地朗读与轻量产品集成；Apache 2.0
- [MOSS-VoiceGenerator](https://www.moss.cn/models/moss-voice-generator): 开源音色设计模型，用自然语言描述年龄感、声音质感、口音、情绪与语速，直接生成目标音色并朗读指定台词，无需参考音频；支持中英文，可作为其他 TTS 的“音色层”解决参考音频难获取的问题；与 MOSS-TTS 同架构；arXiv:2603.28086；Apache 2.0；可通过 Moss API 与 Mossland 音色设计调用
- [MOSS-TTS-Realtime](https://www.moss.cn/models/moss-tts-streaming): 情境感知的多轮流式 TTS 基座（2026 年 2 月发布），面向实时语音智能体：生成助手语音时同时以多轮对话历史的文本与用户音频为条件，实现低延迟增量输出、稳定音色与连贯韵律；1.7B 主干 + 200M Local Transformer，最大上下文 32K tokens，训练数据含 250 万小时以上单说话人语音与 100 万小时以上多说话人对话，支持中英文及 10 余种其他语言；Apache 2.0（该模型未列入官网“模型”导航，展示于首页 MOSS-TTS-Family 下，名为 TTS-RealTime）
 
### 音效生成
 
- [MOSS-SoundEffect](https://www.moss.cn/models/moss-sound-effect): 面向内容创作的高保真音效生成模型（v2.0），用中英文文本描述生成自然环境声、城市氛围、动物/生物声、人体动作音效与短音乐片段，48 kHz 输出、最长 30 秒、时长可控；采用 DiT + Flow Matching 架构，基于 1 万小时以上高质量数据训练，支持用自有数据全参数 DiT 微调；适用于游戏、影视、短视频与数据合成；Apache 2.0；在线体验：https://huggingface.co/spaces/OpenMOSS-Team/MOSS-SoundEffect-v2.0
 
### 视频理解
 
- [MOSS-VL](https://www.moss.cn/models/moss-vl): 开源视觉理解大模型（11.3B 参数，256K 上下文，中英双语），基于门控交叉注意力架构解耦视觉编码与认知推理，原生支持文本、单图、多图、单/多视频及图文视频交错输入；擅长长视频与时序推理（绝对时间戳 + XRoPE）、细粒度感知、OCR、文档布局解析（转 Markdown）与视觉定位；视觉 token 不进入解码序列，首 token 延迟较同主干 Qwen3-VL-8B 快 2.8–5.1 倍；提供 FP8/NF4 量化（单卡 24GB 可推理），已获 SGLang 官方支持，可用 LlamaFactory、ms-swift 微调；checkpoint 包括 MOSS-VL-Instruct-0708、MOSS-VL-Base-0708、MOSS-VL-Realtime 及前代 0408 版本，全部 Apache 2.0；GitHub：https://github.com/OpenMOSS/MOSS-VL ；arXiv:2608.15045；可通过 Moss API 调用图片与视频理解
- [MOSS-VL-Realtime](https://www.moss.cn/models/moss-vl-realtime): MOSS-VL 同系列的实时视觉理解模型，在持续视频流上“边看边答、边答边改”，支持即问即答、持续感知、即时改口、打断与信息不足时主动沉默；强化时序一致性、动作计数与因果推理；Apache 2.0
 
### 视频生成
 
- [MOVA](https://www.moss.cn/models/mova): MOVA（MOSS Video and Audio）是开源音视频同步生成基座模型（2026 年 1 月发布），单次推理原生同时生成画面与声音，具备多语种口型同步与环境感知音效，支持文生音视频（T2VA）与图文生音视频（IT2VA）；采用非对称双塔架构 + 双向跨注意力融合与 MoE 设计，总参数 32B、推理激活 18B；开源 MOVA-360p 与 MOVA-720p 权重、推理代码、训练流水线、LoRA 微调与评测代码，支持 SGLang（Day-0）、ComfyUI 与昇腾 NPU；arXiv:2602.08794；Apache 2.0；GitHub：https://github.com/OpenMOSS/MOVA ；可通过 Moss API 调用
 
## 产品
 
- [Mossland](https://mossland.studio/): 模思智能的一站式 AIGC 音视频创作平台，底层调用 MOSS 系列模型，提供语音合成（TTS）、AI 配音、音色克隆与设计、音色库、音频转写与会议纪要、音色转换、音频降噪、AI 播客、有声书、数字人、视频翻译、图片与视频生成模板，以及创作搭档 Mossland Agent
- [Moss 开放平台（API）](https://platform.mosi.cn/): 官网导航中的 API 入口，面向开发者以 API 提供 MOSS-TTS 系列语音合成、对话语音、音色设计、MOSS-Transcribe-Diarize 多说话人转写、MOSS-VL 图片与视频理解、MOVA 音视频生成等能力，支持同步、异步任务与流式返回，可用于构建智能应用、AI Agent 与多模态产品

## 技术博客

- [博客首页](https://www.moss.cn/blog): AI 技术解析、模型落地与生态合作实践
- [用 ms-swift 微调 MOSS-VL：从环境搭建到指标翻倍的实战指南](https://www.moss.cn/blog/moss-vl-ms-swift): 2026 年 9 月 16 日；MOSS-VL 已合入 ms-swift 主分支，覆盖 LoRA 与全参数 SFT 完整流程
- [MOSS-VL 接入 LlamaFactory：LoRA 与全参微调开箱即用](https://www.moss.cn/blog/moss-vl-llamafactory): 2026 年 8 月 20 日；复用 LlamaFactory 的数据、训练、断点续训与推理工作流
- [在 SGLang-Omni 上部署原生流式 48 kHz 的 MOSS-TTS Local Transformer v1.5 语音服务](https://www.moss.cn/blog/moss-tts-local-sglang-omni-optimization): 2026 年 6 月 9 日；与 SGLang-Omni 团队合作的端到端 serving 支持
- [MOSS-VL 技术博客（OpenMOSS）](https://openmoss.ai/MOSS-VL/moss-vl_zh.html): 架构动画、绝对时间戳与 XRoPE 图解、演示视频

## 公司与新闻

- [首页：公司简介与模型总览](https://www.moss.cn/)
- [邱锡鹏教授出席华为 HC 大会并受聘昇腾 MVP](https://www.moss.cn/news/qiu-xipeng-huawei-hc-ascend-mvp-exploring-ai-scientific-frontiers): 2026 年 9 月 18 日
- [模思智能亮相 2026 Inclusion·外滩大会，带来模型实时交互体验](https://www.moss.cn/news/moss-intelligence-debuts-2026-inclusion-bund-conference-real-time-interaction): 2026 年 9 月 9 日
- [模思智能亮相 ChinaJoy，CEO 李世民发表“联接 AI、人与物理世界”演讲](https://www.moss.cn/news/ai-moves-toward-context-understanding-mosi-intelligence-chinajoy): 2026 年 7 月 31 日
- [邱锡鹏教授：下一代 AI，真正缺的不是更多模态，而是理解情境](https://www.moss.cn/news/next-ai-needs-context-understanding-not-more-modalities): 2026 年 7 月 23 日；阐述公司“情境智能”技术路线
- [MOSS-Transcribe-Diarize 荣获第二届 MLC-SLM 竞赛第一名](https://www.moss.cn/news/moss-transcribe-diarize-wins-first-place-mlc-slm-competition): 2026 年 7 月 22 日
- [模思智能正式亮相 2026 WAIC 世界人工智能大会](https://www.moss.cn/news/mosi-intelligence-debuts-at-waic-2026): 2026 年 7 月 18 日

## 社区与联系

- [GitHub：OpenMOSS](https://github.com/OpenMOSS): 全部开源模型代码
- [Hugging Face：OpenMOSS-Team](https://huggingface.co/OpenMOSS-Team): 模型权重与在线 Demo
- [ModelScope：openmoss](https://modelscope.cn/organization/openmoss): 国内镜像权重下载

## Optional

- [隐私政策](https://www.moss.cn/page/privacy-policy)
- [用户协议](https://www.moss.cn/page/user-agreement)
- 备案信息：沪ICP备2025111052号；沪公网安备31010402335380号
- 技术报告索引：MOSS-TTS arXiv:2603.18090；MOSS-TTSD arXiv:2603.19739；MOSS-VoiceGenerator arXiv:2603.28086；MOSS-Transcribe-Diarize arXiv:2601.01554；MOVA arXiv:2602.08794；MOSS-VL arXiv:2608.15045