/ Модель

Характеристики

Размер весов
7,1 ГБ
Лицензия
Apache 2.0
Архитектура
moss-audio-tokenizer · dense
Библиотека
transformers
Опубликована
4 фев 2026

MOSS-Audio-Tokenizer

ЭмбеддингиТекст → embedding3 профессии

Трансформерный аудиотокенизатор OpenMOSS-Team кодирует и восстанавливает речь, музыку и другие звуки в компактные дискретные токены.

76 109скачиваний за 30 дней46лайковвеса обновлены5 июн 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

MOSS-Audio-Tokenizer — аудиотокенизатор команды OpenMOSS-Team, построенный на архитектуре Cat (Causal Audio Tokenizer with Transformer). Модель кодирует и восстанавливает аудио, представляя его дискретными токенами; она предназначена для работы как компактный аудиоинтерфейс для аудиомоделей и последующих задач понимания и генерации речи.

Архитектура состоит из причинных Transformer-блоков без CNN; суммарный размер энкодера и декодера — 1,6 млрд параметров. Токенизатор обрабатывает аудио с частотой дискретизации 24 кГц и частотой кадров 12,5 Гц, использует 32-слойный RVQ и поддерживает битрейт от 0,125 до 4 кбит/с. Заявлена потоковая обработка чанками. Модель обучена с нуля на разнообразных аудиоданных и рассчитана на речь, звуковые эффекты и музыку.

Карточка указывает Apache-2.0. Репозиторий содержит реализацию для Transformers с удалённым кодом, поэтому для загрузки README использует trust_remote_code=True. Токенизатор предназначен для кодирования и реконструкции аудио, а не для самостоятельного распознавания речи или синтеза речи; качество зависит от выбранного битрейта. Потоковая обработка ограничена batch_size=1 и требованиями к длительности чанка.

Сценарии применения

  • сжатие речевых записей с настраиваемым битрейтом
  • восстановление аудиосигнала из дискретных токенов
  • потоковое кодирование и декодирование аудио
  • подготовка аудиотокенов для моделей распознавания речи
  • подготовка аудиопредставлений для моделей синтеза речи

Ограничения

Это токенизатор для кодирования и реконструкции, а не готовая система ASR или TTS. Потоковая обработка поддерживает только batch_size=1 и требует, чтобы длительность чанка удовлетворяла ограничениям конфигурации.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MossAudioTokenizer

This is the code for MOSS-Audio-Tokenizer presented in MOSS-Audio-Tokenizer: Scaling Audio Tokenizers for Future Audio Foundation Models.

MOSSAudioTokenizer is a unified discrete audio tokenizer based on the Cat (Causal Audio Tokenizer with Transformer) architecture. Scaling to 1.6 billion parameters, it functions as a unified discrete interface, delivering both lossless-quality reconstruction and high-level semantic alignment.

Key Features:

  • Extreme Compression & Variable Bitrate: It compresses 24kHz raw audio into a remarkably low frame rate of 12.5Hz. Utilizing a 32-layer Residual Vector Quantizer (RVQ), it supports high-fidelity reconstruction across a wide range of bitrates, from 0.125kbps to 4kbps.
  • Pure Transformer Architecture: The model features a "CNN-free" homogeneous architecture built entirely from Causal Transformer blocks. With 1.6B combined parameters (Encoder + Decoder), it ensures exceptional scalability and supports low-latency streaming inference.
  • Large-Scale General Audio Training: Trained on 3 million hours of diverse audio data, the model excels at encoding and reconstructing all audio domains, including speech, sound effects, and music.
  • Unified Semantic-Acoustic Representation: While achieving state-of-the-art reconstruction quality, Cat produces discrete tokens that are "semantic-rich," making them ideal for downstream tasks like speech understanding (ASR) and generation (TTS).
  • Fully Trained From Scratch: Cat does not rely on any pretrained encoders (such as HuBERT or Whisper) or distillation from teacher models. All representations are learned autonomously from raw data.
  • End-to-End Joint Optimization: All components—including the encoder, quantizer, decoder, discriminator, and a decoder-only LLM for semantic alignment—are optimized jointly in a single unified training pipeline.

Summary: By combining a simple, scalable architecture with massive-scale data, the Cat architecture overcomes the bottlenecks of traditional audio tokenizers. It provides a robust, high-fidelity, and semantically grounded interface for the next generation of native audio foundation models.

This repository contains a lightweight remote-code implementation that mirrors the current 🤗 Transformers transformers.models.moss_audio_tokenizer module. It is intended to be uploaded to a Hugging Face Hub model repository and loaded with trust_remote_code=True when needed.

Usage

Quickstart

import torch
from transformers import AutoModel
import torchaudio

repo_id = "OpenMOSS-Team/MOSS-Audio-Tokenizer"
model = AutoModel.from_pretrained(repo_id, trust_remote_code=True).eval()

wav, sr = torchaudio.load('demo/demo_gt.wav')
if sr != model.sampling_rate:
    wav = torchaudio.functional.resample(wav, sr, model.sampling_rate)
wav = wav.unsqueeze(0)
enc = model.encode(wav, return_dict=True)
print(f"enc.audio_codes.shape: {enc.audio_codes.shape}")
dec = model.decode(enc.audio_codes, return_dict=True)
print(f"dec.audio.shape: {dec.audio.shape}")
wav = dec.audio.squeeze(0)
torchaudio.save("demo/demo_rec.wav", wav, sample_rate=model.sampling_rate)

# Decode using only the first 8 layers of the RVQ
dec_rvq8 = model.decode(enc.audio_codes[:8], return_dict=True)
wav_rvq8 = dec_rvq8.audio.squeeze(0)
torchaudio.save("demo/demo_rec_rvq8.wav", wav_rvq8, sample_rate=model.sampling_rate)

Streaming

MossAudioTokenizerModel.encode and MossAudioTokenizerModel.decode support simple streaming via a chunk_duration argument.

  • chunk_duration is expressed in seconds.
  • It must be <= MossAudioTokenizerConfig.causal_transformer_context_duration.
  • chunk_duration * MossAudioTokenizerConfig.sampling_rate must be divisible by MossAudioTokenizerConfig.downsample_rate.
  • Streaming chunking only supports batch_size=1.
import torch
from transformers import AutoModel

repo_id = "OpenMOSS-Team/MOSS-Audio-Tokenizer"
model = AutoModel.from_pretrained(repo_id, trust_remote_code=True).eval()
audio = torch.randn(1, 1, 3200)  # dummy waveform

# 0.08s @ 24kHz = 1920 samples, divisible by downsample_rate=1920
enc = model.encode(audio, return_dict=True, chunk_duration=0.08)
dec = model.decode(enc.audio_codes, return_dict=True, chunk_duration=0.08)

Repository layout

  • configuration_moss_audio_tokenizer.py
  • modeling_moss_audio_tokenizer.py
  • __init__.py
  • config.json
  • model weights

Evaluation Metrics

The table below compares the reconstruction quality of open-source audio tokenizers with MossAudioTokenizer on speech and audio/music data.

  • Speech metrics are evaluated on LibriSpeech test-clean (English) and AISHELL-2 (Chinese), reported as EN/ZH.
  • Audio metrics are evaluated on the AudioSet evaluation subset, while music metrics are evaluated on MUSDB, reported as audio/music.
  • STFT-Dist. denotes the STFT distance.
  • Higher is better for speech metrics, while lower is better for audio/music metrics (Mel-Loss, STFT-Dist.).
  • Nq denotes the number of quantizers.
ModelbpsFrame rateNqSpeech: SIM ↑ (EN/ZH)Speech: STOI ↑ (EN/ZH)Speech: PESQ-NB ↑ (EN/ZH)Speech: PESQ-WB ↑ (EN/ZH)Audio/Music: Mel-Loss ↓Audio/Music: STFT-Dist. ↓
XCodec2.08005010.82 / 0.740.92 / 0.863.04 / 2.462.43 / 1.96-- / ---- / --
MiMo Audio Tokenizer8502540.80 / 0.740.91 / 0.872.94 / 2.622.39 / 2.140.82 / 0.812.33 / 2.23
Higgs Audio Tokenizer10002540.77 / 0.680.83 / 0.823.03 / 2.612.48 / 2.140.83 / 0.802.20 / 2.05
SpeechTokenizer10005020.36 / 0.250.77 / 0.681.59 / 1.381.25 / 1.17-- / ---- / --
XY-Tokenizer100012.580.85 / 0.790.92 / 0.873.10 / 2.632.50 / 2.12-- / ---- / --
BigCodec10408010.84 / 0.690.93 / 0.883.27 / 2.552.68 / 2.06-- / ---- / --
Mimi110012.580.74 / 0.590.91 / 0.852.80 / 2.242.25 / 1.781.24 / 1.192.62 / 2.49
MOSS Audio Tokenizer (Ours)75012.560.82 / 0.750.93 / 0.893.14 / 2.732.60 / 2.220.86 / 0.852.21 / 2.10
MOSS Audio Tokenizer (Ours)100012.580.88 / 0.810.94 / 0.913.38 / 2.962.87 / 2.430.82 / 0.802.16 / 2.04
——————————
DAC15007520.48 / 0.410.83 / 0.791.87 / 1.671.48 / 1.37-- / ---- / --
Encodec15007520.60 / 0.450.85 / 0.811.94 / 1.801.56 / 1.481.12 / 1.042.60 / 2.42
Higgs Audio Tokenizer20002580.90 / 0.830.85 / 0.853.59 / 3.223.11 / 2.730.74 / 0.702.07 / 1.92
SpeechTokenizer20005040.66 / 0.500.88 / 0.802.38 / 1.791.92 / 1.49-- / ---- / --
Qwen3 TTS Tokenizer220012.5160.95 / 0.880.96 / 0.933.66 / 3.103.19 / 2.62-- / ---- / --
MiMo Audio Tokenizer225025120.89 / 0.830.95 / 0.923.57 / 3.253.05 / 2.710.70 / 0.682.21 / 2.10
Mimi247512.5180.89 / 0.760.94 / 0.913.49 / 2.902.97 / 2.351.10 / 1.062.45 / 2.32
MOSS Audio Tokenizer (Ours)150012.5120.92 / 0.860.95 / 0.933.64 / 3.273.20 / 2.740.77 / 0.742.08 / 1.96
MOSS Audio Tokenizer (Ours)200012.5160.95 / 0.890.96 / 0.943.78 / 3.463.41 / 2.960.73 / 0.702.03 / 1.90
——————————
DAC30007540.74 / 0.670.90 / 0.882.76 / 2.472.31 / 2.070.86 / 0.832.23 / 2.10
MiMo Audio Tokenizer365025200.91 / 0.850.95 / 0.933.73 / 3.443.25 / 2.890.66 / 0.652.17 / 2.06
SpeechTokenizer40005080.85 / 0.690.92 / 0.853.05 / 2.202.60 / 1.87-- / ---- / --
Mimi440012.5320.94 / 0.830.96 / 0.943.80 / 3.313.43 / 2.781.02 / 0.982.34 / 2.21
Encodec45007560.86 / 0.750.92 / 0.912.91 / 2.632.46 / 2.150.91 / 0.842.33 / 2.17
DAC60007580.89 / 0.840.95 / 0.943.75 / 3.573.41 / 3.200.65 / 0.631.97 / 1.87
MOSS Audio Tokenizer (Ours)300012.5240.96 / 0.920.97 / 0.963.90 / 3.643.61 / 3.200.69 / 0.661.98 / 1.84
MOSS Audio Tokenizer (Ours)400012.5320.97 / 0.930.97 / 0.963.95 / 3.713.69 / 3.300.68 / 0.641.96 / 1.82

LibriSpeech Speech Metrics (MOSS Audio Tokenizer vs. Open-source Tokenizers)

The plots below compare our MOSS Audio Tokenizer model with other open-source speech tokenizers on the LibriSpeech dataset, evaluated with SIM, STOI, PESQ-NB, and PESQ-WB (higher is better). We control the bps of the same model by adjusting the number of RVQ codebooks used during inference.

Citation

If you use this code or result in your paper, please cite our work as:

@misc{gong2026mossaudiotokenizerscalingaudiotokenizers,
      title={MOSS-Audio-Tokenizer: Scaling Audio Tokenizers for Future Audio Foundation Models}, 
      author={Yitian Gong and Kuangwei Chen and Zhaoye Fei and Xiaogui Yang and Ke Chen and Yang Wang and Kexin Huang and Mingshu Chen and Ruixiao Li and Qingyuan Cheng and Shimin Li and Xipeng Qiu},
      year={2026},
      eprint={2602.10934},
      archivePrefix={arXiv},
      primaryClass={cs.SD},
      url={https://arxiv.org/abs/2602.10934}, 
}

License

MOSS-Audio-Tokenizer is released under the Apache 2.0 license.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
MossAudioTokenizerModel
Ревизия весов
3cd226b

0 моделей