面向情境智能的语音交互模型
如果你看过电影Her，一定还记得男主角西奥多在深夜街头与操作系统Samantha对话的场景。那不只是冷冰冰的语音合成，而是一种充满情感、能感知对话语境的互动：语气里有温度，停顿中有默契，甚至还能听出微妙的喜怒哀乐。这种富有人性化、拟人化、富有情境感知的语音交互，一直是人类对智能体的终极想象。
然而，现实中的语音合成技术长期受限于技术瓶颈。尽管近年来，文本到语音（TTS）技术已经取得了令人瞩目的进展，在单句、孤立段落的自然度和清晰度上已能媲美真人，但当它被用于连续、多轮的对话场景时，语音往往变得单调、呆板、甚至令人不适。AI播客和语音助手也常常陷入所谓的“恐怖谷”——声音虽然接近人类，但缺乏真实的情感和语境感知，让人感到别扭。
由邱锡鹏领衔，上海创智学院、复旦大学和模思智能联合组建的OpenMOSS团队正式发布MOSS-Audio系列模型！为了更好地区分语音模型的能力，团队将语音合成分为四个层级：L1实现高自然度语音生成；L2专注于复杂情景对话；L3突破声音想象力边界,迈向真实世界的多模态语音事件；L4则实现灵活多样的指令控制。每一级都代表了语音生成技术的飞跃。
团队首先训练了MOSS-Audio基础模型，并在此基础上实现L1-L4级的能力。它不仅破除了AI播客领域长期存在的“恐怖谷”魔咒，更通过对完整对话情境的把握，实现了超高拟人度、自然流畅的多角色对话合成，成为情境智能语音交互的里程碑。
从“朗读”到“表达”：重塑语音交互体验
传统的TTS模型更像是优秀的“朗读者”，只能基于单句生成语音，韵律、情感变化无法衔接到整个对话的上下文中。而在真实的语音交互场景里，语调、停顿、情绪的微妙变化常常是理解对话意图的关键。
MOSS-Audio不仅能够准确生成每位说话人的音色和语气，还能根据完整对话文本捕捉韵律变化和语调特性，从而实现了超越传统TTS的对话自然度和表现力。在一系列实测对比中，无论是情感的丰富度、语气的自然度还是音色的稳定性，MOSS-Audio模型都展现了媲美甚至超越商业产品的能力。
技术创新：一整套创新的技术架构
传统Codec无法同时兼顾语义与声学细节，而OpenMOSS 团队自研的XY-Tokenizer采用8层RVQ架构，创新性地压缩比特率至1kbps，同时保留了丰富的语音特征。这使得大语言模型能够在“会说话”的同时“表达情绪”，实现长达960秒的连续生成，避免了语音拼接的生硬感。 MOSS-Audio在音色克隆、语调表现、长对话稳定性等关键维度均达到业界领先水平。
打开情境智能的大门：AI真正走向人性化
在OpenMOSS团队看来，智能体的发展必须具备三个关键能力：知识、推理和交互。而交互，特别是情境化、主动化、全模态的拟人化交互，正是当前AGI进化的关键突破口。
因此，MOSS-Audio不仅仅是一款语音交互模型，更是“情境智能”的起点。它将大语言模型的推理能力与真实的语音情感、语境感知结合，向电影Her中的Samantha又迈进了一大步。未来，OpenMOSS团队还将陆续发布实时视频理解交互模型和具身人机交互模型，打造全面、强大的情境智能基座。
MOSS-Audio系列模型的模型权重、推理代码和示例将全面开源并支持商用。开发者、研究者和企业可以直接在GitHub和Huggingface获取资源，并基于此开展个性化定制和创新应用。
项目地址：https://github.com/sii-research/OpenMOSS
从早期的语音助手到今天的智能播客、虚拟主播，语音合成技术已经悄悄改变了我们的工作和生活。但只有当AI真正具备情境感知和拟人化的交互能力，它才能从“工具”进化为“伴侣”，走进每个人的心里。
正如电影Her告诉我们的那样，技术的终极目标从不是冷冰冰的功能堆砌，而是与人建立深刻的连接。
MOSS-Audio的发布，是迈向这个目标的关键一步。未来，当你和智能体在午夜长谈，当它轻声回应你的喜怒哀乐，那一刻，或许你会想起今天：机器开始让人类真正“听懂”自己。
