/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3-1.7B
Библиотека
diffusers
Опубликована
25 мая 2026

MOSS-SoundEffect-v2.0

Генерация аудиоТекст → аудио3 профессии

MOSS-SoundEffect v2.0 генерирует звуковые эффекты длительностью до 30 секунд по текстовым запросам на английском и китайском языках.

2 672скачиваний за 30 дней143лайкавеса обновлены26 мая 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-SoundEffect v2.0 — модель генерации звуковых эффектов по текстовому описанию, разработанная командой OpenMOSS-Team. Она преобразует естественно-языковые запросы в атмосферные, городские, животные и другие звуки, включая действия людей и короткие музыкальные или перкуссионные фрагменты. Модель предназначена для создания звукового оформления сцен, игр, видео и аудиоконтента.

В основе — Diffusion Transformer с обучением Flow Matching, DAC VAE и текстовый энкодер Qwen3. Модель содержит 1,3 млрд параметров, генерирует звук с частотой 48 кГц и поддерживает длительность до 30 секунд за один вызов. Обучающие описания были на английском и китайском языках. Репозиторий использует Diffusers и формат Safetensors.

Модель распространяется по лицензии Apache-2.0. Для генерации требуется значительное число шагов сэмплирования; README указывает 100 шагов как значение по умолчанию. Указанные языки обучающих описаний не гарантируют одинаковое качество для других языков.

Сценарии применения

  • создание фоновых звуков природы для видео
  • генерация городского шума и атмосферных звуков для игр
  • создание звуков животных и вымышленных существ
  • озвучивание действий человека в аудиосценах
  • генерация коротких музыкальных и перкуссионных фрагментов

Ограничения

Генерация может требовать значительных вычислительных ресурсов: README рекомендует 100 шагов сэмплирования и предупреждает о долгой компиляции при первом запуске. В карточке заявлено обучение на английских и китайских описаниях; качество для других языков не подтверждено.

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

MOSS-SoundEffect-V2.0

MOSS-SoundEffect v2.0 is a text-to-audio model with a Diffusion Transformer (DiT) backbone trained with the Flow Matching objective, paired with a DAC VAE and a Qwen3 text encoder. It generates high-fidelity environmental, urban, creature, and human-action sound effects from natural-language prompts, with controllable duration up to 30 seconds at 48 kHz.

1. Overview

1.1 TTS Family Positioning

Within the MOSS-TTS Family, MOSS-SoundEffect is the dedicated text-to-sound model — the family member that turns natural-language captions into non-speech audio (ambience, urban scenes, creatures, human actions, short music-like clips). v2.0 supersedes the v1 discrete-token autoregressive backbone (MossTTSDelay) with a continuous-latent Diffusion Transformer + Flow Matching design.

1.2 Key Capabilities

  • Broad SFX coverage: natural environments, urban environments, animals & creatures, human actions, and short musical/percussive clips.
  • Long-form generation: stable audio up to 30 seconds per call with the duration tag prepended to the prompt at training time.
  • Bilingual prompts: trained with both English and Chinese captions.

1.3 Released Models

ModelArchitectureDiT VariantParameters
MOSS-SoundEffect-V2.0DiT + Flow Matching1.3B1.3B

Recommended inference hyperparameters

ParameterDefaultDescription
num_inference_steps100Number of flow-match solver steps.
cfg_scale4.0Classifier-free guidance weight.
sigma_shift5.0Flow-match scheduler shift applied per call.
seconds10.0Output duration. Up to 30.

2. Quick Start

Environment Setup

We recommend a clean, isolated Python 3.12 environment to avoid dependency conflicts with the top-level MOSS-TTS environment.

conda create -n moss-soundeffect-v2 python=3.12 -y
conda activate moss-soundeffect-v2

git clone https://github.com/OpenMOSS/MOSS-TTS.git
cd MOSS-TTS/moss_soundeffect_v2
pip install --extra-index-url https://download.pytorch.org/whl/cu128 \
    -e ".[torch-cu128,finetune]"

For a minimal inference-only install (still ships the Gradio demo; skips the fine-tuning extras):

pip install --extra-index-url https://download.pytorch.org/whl/cu128 \
    -e ".[torch-cu128]"

Basic Usage

import torch
from moss_soundeffect_v2 import MossSoundEffectPipeline

pipe = MossSoundEffectPipeline.from_pretrained(
    "OpenMOSS-Team/MOSS-SoundEffect-v2.0",   # this repo, or a local dir
    torch_dtype=torch.bfloat16,
    device="cuda",
)

audio = pipe(
    prompt="A dog barking loudly in a park.",
    seconds=10,
    num_inference_steps=100,
    cfg_scale=4.0,
)                                            # (B, C, T) waveform tensor
pipe.save_audio(audio, "out.wav")

The underlying DiT is wrapped with torch.compile + Triton CUDA Graph. The first call may take a few minutes to compile. If you hit TorchDynamo / Triton errors, set TORCHDYNAMO_DISABLE=1 before launching Python.

For a Gradio demo and fine-tuning recipes, see the GitHub README.

Как запустить

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

GPU в ailist

Универсальный рантайм · diffusers

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
e35df4d

0 моделей