模思智能是什么？
模思智能（MOSI）是一家面向全模态情境交互智能的大模型公司。公司总部位于上海，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。长期方向是让AI走出单次对话框，持续感知语音、画面和环境，并自然回应或执行任务。
MOSS模型矩阵
- MOSS-VL：长视频与连续视频流理解，Realtime版本支持即时提问、主动响应和动态纠正。
- MOSS-Audio：同时理解语音、环境声和音乐，可完成描述、问答和时间推理。
- MOSS-TTS：覆盖高保真音色克隆、流式语音、多说话人长音频、音色设计和音效生成。
- MOSS-Transcribe-Diarize：输出转写文本、说话人身份和时间戳。
- MOVA：联合生成同步的视频、语音和环境音。
实时交互路线
模思智能把系统划分为感知、生成和交互三层：前端模型持续处理视频、语音、文本与环境信息，后端能动性模型承担复杂推理和任务执行。即将推出的MOSS Live将尝试让两者协同，使AI在执行任务时仍能保持连续交流。
使用建议
- 先确认任务是视频理解、语音合成、音频理解还是音视频生成，不要只按“MOSS”名称下载。
- 逐个仓库核对许可证、显存、推理后端、量化版本和商用限制。
- 实时视频任务应测试端到端延迟、长时间漂移、打断恢复和多会话吞吐。
- 涉及摄像头、麦克风和人物声音时，要提前处理授权、隐私、合成标识与数据留存。
注意：模型开源不等于零成本部署，也不代表所有组件都使用相同许可证。生产环境还需验证硬件、运维、内容安全和隐私合规。