MOSS-SoundEffect v2.0

OpenMOSS 的 Apache 2.0 文字转音效模型:根据中英文提示生成环境音、生物声和动作声,最长 30 秒、48 kHz。

一句话概括. MOSS-SoundEffect v2.0 能把“公园里一只狗大声吠叫”这样的一句话变成最长 30 秒的音效。它能理解中文和英文提示,采用 Apache 2.0。

概述

OpenMOSS 于 2026 年 5 月 25 日发布 MOSS-SoundEffect v2.0,它是 MOSS-TTS 家族里负责文字转声音的成员。它用一个 13 亿参数、以流匹配训练的扩散 Transformer 取代了第一版的离散 token 自回归设计,搭配 DAC VAE 和 Qwen3 文本编码器。给它一句自然语言描述,它就能生成环境声、城市声、生物声和人类动作声,也能生成一些简短的音乐或打击乐片段,输出 48 kHz,每次最长 30 秒。提示词可以用英文或中文书写。

模型卡推荐 100 步求解器步数、引导系数 4.0,默认片段时长 10 秒。它推荐使用 Python 3.12 环境和带 CUDA 的 PyTorch,用 torch.compile 加 Triton CUDA 图包装模型,并提醒首次调用可能需要几分钟来编译。仓库约 11 GB,模型卡没有给出显存数字,也没有基准分数,所以请在自己的 GPU 上测试内存和质量。GitHub 仓库里有 Gradio 演示和微调方法。

模型采用 Apache 2.0,模型卡没有附加额外条款。在截至 2026 年 11 月 11 日的 30 天里,Hugging Face 统计到约 6000 次下载。在音效方面,本站另一个开放选项是 Stable Audio 3,它的片段更长(Medium 最长 6 分 20 秒),只需八步采样,但许可证设有营收上限。

适合做什么

  • 用文字描述写出来的游戏、视频和应用音效
  • 采用完全宽松的 Apache 2.0 许可证的短片段
  • 中文和英文提示词
  • 用自己的音效库微调,仓库里有现成的方法

需要注意

  • 每次调用最多生成 30 秒音频
  • 每个片段 100 步采样,比 Stable Audio 3 这类只需八步的少步模型慢
  • 首次运行要编译几分钟,模型卡推荐 Python 3.12 加 CUDA
  • 没有公布基准或显存数字,请自己测试质量和内存

性能数据来自开发方,未经独立验证。

需要多少内存?

以下是 MOSS-SoundEffect v2.0 各版本的内存数据。图像、视频、语音和音乐管线还要加载文本编码器和解码器,所以所需内存可能比主检查点更大。

版本 参数量 下载大小 所需内存 可运行于
V2.0 (1.3B DiT) FP32 1.3B 11 GB 13 GB 笔记本或手机

下载大小包含运行模型所需的全部组件,例如生成器、文本编码器和解码器。所需内存优先采用开发方声明或已公开的实测最低值;没有时按下载大小加约 15% 估算。更大的图像、更长的片段和更高的分辨率需要更多内存。

许可证,用大白话说

最常见的宽松型许可证之一。你可以使用、修改模型并基于它销售产品,只需遵守少量条件。

进一步了解 Apache 2.0

延伸阅读

常见问题

MOSS-SoundEffect v2.0 是什么?
MOSS-SoundEffect v2.0 能把“公园里一只狗大声吠叫”这样的一句话变成最长 30 秒的音效。它能理解中文和英文提示,采用 Apache 2.0。
MOSS-SoundEffect v2.0 可以商用吗?
可以。MOSS-SoundEffect v2.0 采用 Apache 2.0 发布,这是一种宽松许可证。只要遵守常规条件(例如保留许可证声明),就可以商用。
MOSS-SoundEffect v2.0 是开源的吗?
MOSS-SoundEffect v2.0 采用 Apache 2.0 发布,该许可证经开源促进会(OSI)认可。训练数据和训练代码不一定公开,因此更准确的说法是“采用开源许可证的开放权重模型”。
我能在自己的电脑上运行 MOSS-SoundEffect v2.0 吗?
可以。最小版本 V2.0 (1.3B DiT) 在 4 位精度下约需 13 GB 内存,现代笔记本或中端显卡即可胜任。
MOSS-SoundEffect v2.0 是什么时候发布的?
MOSS-SoundEffect v2.0 由 OpenMOSS 于 2026年5月25日 发布。

官方链接

来源

规格数据来自以下一手资料。文中提到的基准测试结果由开发方自报。

发布时间等信息最近核实于 2026年11月11日。

相关模型

模型 发布时间 参数量 上下文 许可证 最小版本所需内存
Stable Audio 3 Stability AI 460M – 1.4B – Stability Community (附条件) 4.02 GB 笔记本或手机
MOSS-TTS OpenMOSS 4.55B – 8.49B – Apache 2.0 (宽松) 10 GB 笔记本或手机
Magenta RealTime 2 Google DeepMind 230M – 2.4B – CC BY 4.0 (宽松) 2.53 GB 笔记本或手机
ACE-Step 1.5 ACE-Step 2B – 4B – MIT (宽松) 4 GB 笔记本或手机